# 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