complete with README

.gitignore

@@ -0,0 +1,3 @@
+.venv/
+__pycache__/
+.ipynb_checkpoints/

README.md

@@ -0,0 +1,39 @@
+# Practice 4: Calibration in Scikit-learn
+
+Учебная работа по теме **Calibration** из раздела примеров библиотеки scikit-learn.
+
+## Цель работы
+
+Изучить калибровку вероятностей классификаторов и сравнить вероятностные предсказания модели до и после калибровки.
+
+## Что сделано
+
+- Создан Jupyter Notebook `week4_scikit_learn.ipynb`.
+- Использован встроенный сгенерированный датасет `make_classification`.
+- Использован внешний датасет из OpenML.
+- Выполнена предобработка внешнего датасета:
+  - кодирование категориальных признаков через `pd.get_dummies()`;
+  - масштабирование признаков через `StandardScaler`;
+  - кодирование целевой переменной через `LabelEncoder`.
+- Обучена модель `LogisticRegression`.
+- Выполнена калибровка вероятностей через `CalibratedClassifierCV`.
+- Построены калибровочные кривые для сравнения модели до и после калибровки.
+- Добавлены Markdown-блоки с пояснениями и выводами.
+
+## Используемые библиотеки
+
+- numpy
+- pandas
+- matplotlib
+- scikit-learn
+- openml
+- jupyterlab
+
+## Структура проекта
+
+```text
+practice4_Calibration/
+├── week4_scikit_learn.ipynb
+├── README.md
+├── requirements.txt
+└── .gitignore