machine-learning-basics

Ноутбук для решения задачи регрессии: предсказание price по признакам датасета (в т.ч. bathrooms, bedrooms, interest_level). Содержит полный цикл: EDA, очистка, генерация полиномиальных признаков, обучение нескольких моделей и сравнение по метрикам.

Что содержится в проекте

• EDA: размер/столбцы, info(), describe(), корреляции, тепловая карта, scatter-графики.

• Очистка: удаление выбросов по целевой price через 1-й и 99-й перцентили.

• Подготовка признаков: кодирование interest_level, гистограммы для bathrooms/bedrooms.

• Фичи: PolynomialFeatures(degree=10) для пары базовых признаков (демо высокой степени).

• Модели:

  • LinearRegression
  • DecisionTreeRegressor(random_state=21)
  • Бейзлайны: naive_mean, naive_median

• Метрики: MAE, RMSE (на train и test), финальные таблицы result_MAE и result_RMSE.

• Визуализации: гистограммы/boxplot целевой, тепловая карта корреляций, матплотлиб-графики.

Что получаем на выходе

• Таблицы MAE/RMSE по train/test для всех моделей.
• Вывод о том, какая модель лучшая (по result_MAE и result_RMSE).
• Набор графиков (распределения price, boxplot, корреляции, scatter).