new complete

README.md

@@ -1,39 +1,50 @@
-# Practice 4: Calibration in Scikit-learn
+# Калибровка вероятностей классификаторов
 
-Учебная работа по теме **Calibration** из раздела примеров библиотеки scikit-learn.
+## Описание проекта
 
-## Цель работы
+Проект выполнен в рамках учебной практики по Python и анализу данных.
 
-Изучить калибровку вероятностей классификаторов и сравнить вероятностные предсказания модели до и после калибровки.
+В работе исследуется калибровка вероятностных предсказаний модели машинного обучения с использованием библиотеки scikit-learn. Выполнено сравнение вероятностей до и после калибровки на синтетическом и внешнем датасетах.
 
-## Что сделано
+## Используемые технологии
 
-- Создан Jupyter Notebook `week4_scikit_learn.ipynb`.
+- Python 3.14
-- Использован встроенный сгенерированный датасет `make_classification`.
+- JupyterLab
-- 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
+- numpy
 - matplotlib
 - scikit-learn
 - openml
-- jupyterlab
 
-## Структура проекта
+## Структура работы
 
-```text
+В проекте рассматриваются:
-practice4_Calibration/
+
-├── week4_scikit_learn.ipynb
+1. Создание синтетического датасета через `make_classification`
-├── README.md
+2. Обучение модели `LogisticRegression`
-├── requirements.txt
+3. Калибровка вероятностей через `CalibratedClassifierCV`
-└── .gitignore
+4. Построение calibration curve
+5. Работа с внешним датасетом OpenML
+
+## Внешний датасет
+
+В качестве внешнего датасета использован набор данных OpenML с ID 40691.
+
+Для корректной работы calibration curve многоклассовая задача была преобразована в бинарную классификацию.
+
+## Результат работы
+
+В ходе выполнения проекта были получены навыки:
+
+- работы с JupyterLab;
+- предобработки данных;
+- обучения моделей машинного обучения;
+- построения графиков;
+- анализа вероятностных предсказаний модели.
+
+## Запуск проекта
+
+Установка зависимостей:
+
+```bash
+pip install -r requirements.txt