# Калибровка вероятностей классификаторов

## Описание проекта

Проект выполнен в рамках учебной практики по Python и анализу данных.

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.

## Используемые технологии

- Python 3.14
- JupyterLab
- pandas
- numpy
- matplotlib
- scikit-learn
- openml

## Структура работы

В проекте рассматриваются:

1. Создание синтетического датасета через `make_classification`
2. Обучение модели `LogisticRegression`
3. Калибровка вероятностей через `CalibratedClassifierCV`
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