Week 4 — Scikit-learn Classification

Тема проекта

Classification — Linear Discriminant Analysis (LDA)

Используемый пример из официальной документации scikit-learn:

https://scikit-learn.org/stable/auto_examples/classification/plot_lda.html

Цель работы

Изучить применение алгоритма Linear Discriminant Analysis (LDA) для решения задачи классификации с использованием библиотеки scikit-learn.

В ходе работы были:

• изучены основы классификации;
• выполнен препроцессинг данных;
• обучена модель LDA;
• проведена визуализация результатов;
• выполнен анализ качества модели.

---

Используемые технологии

• Python
• JupyterLab
• scikit-learn
• pandas
• matplotlib
• seaborn
• openml

---

Структура проекта

project/
│
├── week4_scikit_learn.ipynb
├── requirements.txt
├── README.md
├── .gitignore
└── data/
    └── wine.csv

## Используемые датасеты

### 1. Встроенный датасет
Wine Dataset из scikit-learn.

### 2. Внешний датасет
CSV-версия Wine Dataset, загружаемая через pandas.read_csv().


## Этапы выполнения работы

1. Импорт библиотек
2. Загрузка данных
3. Анализ данных
4. Масштабирование признаков
5. Разделение выборки
6. Обучение модели LDA
7. Предсказание классов
8. Оценка качества модели
9. Визуализация результатов
10. Интерпретация результатов


## Результаты

Модель Linear Discriminant Analysis показала высокую точность классификации на датасете Wine.

Было установлено, что:
- масштабирование признаков улучшает качество модели;
- LDA эффективно разделяет классы;
- метод хорошо подходит для задач классификации и снижения размерности.

---

## Автор

Студент: Борончук Савелий Сергеевич

Группа: ИНБб-2302-02-00