39 lines
1.7 KiB
Markdown
39 lines
1.7 KiB
Markdown
# 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 |