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

practice4_Calibration/
├── week4_scikit_learn.ipynb
├── README.md
├── requirements.txt
└── .gitignore