data-science-projects-DataLearn-ML101

1. Выполнено предсказание наиболее успешного стартапа (использована линейная регрессия и градиентный бустинг).
2. Использование логистической регрессии для решения задачи бинарной классификации.
3. Решение задачи бинарной классификации (определение класса вина). Классы были несбалансированными (66,52 % : 33,48 %). Для расчета наилучших прогнозов применялись три варианта: расчет прогнозов с несбалансированным набором данных, расчет прогнозов с использованием random under-sampling, расчет прогнозов с использованием random over-sampling. Были использованы три модели ML: логистическая регрессия, KNN, дерево решений (без гиперпараметров и с ними). Оптимизация гиперпараметров осуществлялась методом жадного поиска.
4. Решение задачи мультиклассовой классификации (использована SVC linear model)