📊 Задание №1 — Exploratory Data Analysis (Iris Dataset)

Студент: Павленко Степан, группа РИ-150932
GitVerse логин:

Вариант: 1

Рецензенты:

• @sArtems
• @Filin55

---

📁 1. Информация о рецензируемых работах

Каждая работа включает:

• выполнение EDA по датасету Iris;
• реализацию функций в
  assignment.py
  ;
• генерацию PNG-графиков;
• подготовку полного технического отчёта (README).

---

👤 2. Информация о студенте

---

🎯 3. Описание задания

Необходимо провести разведочный анализ данных (EDA) для датасета Iris.
Требования:

1. Загрузить данные (load_data)
2. Проанализировать целевую переменную (вид цветка)
3. Посчитать статистику по признакам
4. Построить графики распределений
5. Построить графики по видам
6. Оценить корреляции
7. Сохранить все визуализации в PNG
8. Составить подробный отчёт

---

🧩 4. Выполненные работы

4.1 Загрузка данных

Датасет загружен из

.
Добавлены:

• таблица признаков,
• человекочитаемые названия видов вместо чисел,
• финальный DataFrame из 150 строк.

---

4.2 Анализ целевой переменной

📌 Класс сбалансирован идеально — по 50 объектов каждого вида.
Это важно для корректного моделирования в ML.

---

4.3 Анализ признаков

Признаки:

• sepal length (cm)
• sepal width (cm)
• petal length (cm)
• petal width (cm)

📊 Основные статистики

📌 У petal-признаков наблюдается максимальная вариативность — именно они лучше всего разделяют классы.

---

📉 4.4 Визуализация

Все графики успешно сохранены:

• ✔
  01_iris_target_distribution.png
• ✔
  01_iris_features_distribution.png
• ✔
  01_iris_features_by_species.png
• ✔
  01_iris_correlation_matrix.png

Графики находятся в репозитории рядом с README.

---

🔬 4.5 Корреляционный анализ

Основные наблюдения:

• Сильная положительная корреляция между petal length и petal width (~0.96)
• Sepal width имеет наименьшую связь с остальными признаками
• Petal признаки лучше всего разделяют виды (это видно и на графиках)

Эти зависимости часто становятся ключевыми при построении моделей классификации.

---

🧠 5. Ключевые находки

• Датасет идеально сбалансирован по классам — каждый вид по 33.3%.
• Наиболее разделяющие признаки — длина и ширина лепестка.
• Высокие корреляции между petal-признаками указывают на их одинаковую природу.
• setosa максимально выделяется на гистограммах — её значения сильно смещены.

---

📝 6. Выводы

Проведён полный EDA:

• данные успешно загружены и проверены;
• распределения классов и признаков визуализированы;
• статистики рассчитаны;
• взаимодействие признаков изучено через heatmap;
• PNG-графики сохранены согласно требованиям.

Датасет Iris хорошо подходит для обучения основам анализа данных и визуализации.

---

📦 7. Файлы в репозитории

✔ Сохранённые файлы:

• assignment.py
• README.md
• 01_iris_target_distribution.png
• 01_iris_features_distribution.png
• 01_iris_features_by_species.png
• 01_iris_correlation_matrix.png

❌ Удалённые лишние файлы:

• Любые
  .md
  , кроме README.md
• Черновики

---

🧾 8. Пример рецензии (образец)

❌ Плохая рецензия: