Add model selection: GridSearchCV vs HalvingGridSearchCV with 5 plots

README.md

@@ -1 +1,106 @@
+\# Сравнение GridSearchCV и HalvingGridSearchCV для подбора гиперпараметров SVM
+
+
+
+\## Описание проекта
+
+В рамках задания по теме «Искусственные нейронные сети: первые шаги» выполнено сравнение двух методов подбора гиперпараметров для классификатора SVM:
+
+\- \*\*GridSearchCV\*\* – полный перебор всех комбинаций гиперпараметров.
+
+\- \*\*HalvingGridSearchCV\*\* – итеративный отсев неперспективных комбинаций (Successive Halving).
+
+
+
+\## Используемые алгоритмы и данные
+
+
+
+\### Алгоритмы
+
+\- `SVC` – метод опорных векторов из библиотеки scikit-learn.
+
+\- `GridSearchCV` – полный перебор с кросс-валидацией.
+
+\- `HalvingGridSearchCV` – итеративный подбор гиперпараметров.
+
+
+
+\### Данные
+
+1\. \*\*Синтетические\*\* – сгенерированы через `make\_classification` (1000 образцов, 20 признаков).
+
+2\. \*\*Реальные\*\* – встроенный датасет Wine (178 образцов, 13 признаков, 3 класса).
+
+
+
+\## Результаты работы
+
+
+
+\### Синтетические данные
+
+\- \*\*HalvingGridSearchCV\*\* выполнился за \~1.2 секунды.
+
+\- \*\*GridSearchCV\*\* выполнился за \~4.8 секунды.
+
+\- Ускорение: \~4 раза.
+
+
+
+\### Реальные данные (Wine)
+
+\- \*\*HalvingGridSearchCV\*\* выполнился за \~0.8 секунды.
+
+\- \*\*GridSearchCV\*\* выполнился за \~0.25 секунды.
+
+\- На малом датасете GridSearchCV может быть быстрее, но Halving показывает сопоставимое качество за меньшее количество итераций.
+
+
+
+\### Ключевые выводы
+
+\- HalvingGridSearchCV значительно ускоряет подбор параметров на больших сетках.
+
+\- При малом объёме данных преимущество может быть не таким заметным.
+
+\- Тепловые карты позволяют наглядно сравнить области оптимальных параметров.
+
+
+
+\## Графики и визуализация
+
+В ноутбуке `week4\_model\_selection.ipynb` построены:
+
+\- Тепловые карты для синтетических данных (Halving и GridSearch)
+
+\- Тепловые карты для датасета Wine (Halving и GridSearch)
+
+\- Столбчатая диаграмма сравнения времени выполнения
+
+
+
+\## Файлы в репозитории
+
+\- `week4\_model\_selection.ipynb` – основной Jupyter Notebook с кодом и анализом.
+
+\- `requirements.txt` – список зависимостей для воспроизведения окружения.
+
+\- `.gitignore` – исключённые файлы (виртуальное окружение, кеши).
+
+\- `README.md` – описание проекта.
+
+
+
+\## Запуск проекта
+
+
+
+1\. Клонировать репозиторий:
+
+```bash
+
+git clone https://git.vyatsu.ru/stud203996/scikit\_learn\_lab.git
+
+cd scikit\_learn\_lab