Домашнее задание 4: Логистическая регрессия

Постановка задачи

В этом задании предстоит разработать модель машинного обучения для диагностики диабета на основе медицинских показателей пациентов

Мы будем использовать классический датасет Pima Indians Diabetes

Ваша задача - не просто обучить модель (

), а построить полноценный пайплайн, который включает:

1. Грамотную предобработку данных (чистка, заполнение пропусков, масштабирование).
2. Обучение Логистической регрессии.
3. Комплексную оценку качества с использованием метрик классификации.

Структура проекта

Как начать

Мы используем менеджер пакетов

.

1. Инициализация:

2. Запуск тестов:

Сразу после скачивания тесты будут падать. Ваша задача - сделать их зелеными.

---

Задание

Необходимо реализовать методы класса

в файле

src/model.py

.

Этап 1: Предобработка данных (

preprocess_data

)

Данные содержат "скрытые" пропуски. Например, у человека не может быть

или

BloodPressure = 0

. В этом датасете нули используются как заглушка для отсутствующих данных.

Что нужно сделать:

1. В колонках
   ['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI']
   заменить значения
   0
   на
   NaN
   .
2. Разделить данные на матрицу признаков $X$ и вектор ответов $y$ (колонка
   Outcome
   ).
3. Заполнение пропусков (Imputation): Используйте
   SimpleImputer
   (медиана), чтобы заполнить
   NaN
   .
4. Масштабирование (Scaling): Используйте
   StandardScaler
   , чтобы привести признаки к нормальному виду (среднее 0, дисперсия 1).

Это критически важно для Логистической регрессии

Важно про Data Leakage:

Метод принимает флаг

.

• Если
  is_training=True
  : Вы должны обучить (
  fit
  ) импьютер и скейлер на данных, а потом применить их (
  transform
  ).
• Если
  is_training=False
  : Вы должны только применить (
  transform
  ) уже обученные инструменты.

Нельзя пересчитывать среднее на тестовой выборке

Этап 2: Обучение (

train

)

1. Вызвать
   preprocess_data
   с флагом
   is_training=True
   .
2. Обучить модель
   self.model
   (это
   LogisticRegression
   из sklearn) на полученных данных.

Этап 3: Предсказание (

predict

и

predict_proba

)

1. Вызвать
   preprocess_data
   с флагом
   is_training=False
   .
2. predict
   : Вернуть классы (0 или 1).
3. predict_proba
   : Вернуть вероятность класса 1 (вам нужна вторая колонка результата метода sklearn).

Этап 4: Оценка (

evaluate

)

Метод должен возвращать словарь с ключевыми метриками:

• Accuracy
  (Доля правильных ответов)
• Precision
  (Точность)
• Recall
  (Полнота)
• F1 Score
  (Гармоническое среднее)
• ROC-AUC
  (Площадь под ROC-кривой)

---

Подсказки

1. Pandas: Для замены нулей удобно использовать
   df[cols] = df[cols].replace(0, np.nan)
   .
2. Sklearn:
   • scaler.fit_transform(X)
     - для трейна.
   • scaler.transform(X)
     - для теста.
3. Логистическая регрессия: Убедитесь, что вы возвращаете
   predict_proba
   именно для класса 1 (положительного класса), а не матрицу для обоих классов.

Критерии успеха

1. Все тесты (
   pytest
   ) проходят успешно.
2. В коде нет Data Leakage (скалер не обучается на тесте).
3. Метрика ROC-AUC на тестовых данных должна быть адекватной (выше 0.7).