Анализ данных и моделирование

В этом проекте проводится комплексный анализ данных и построение моделей на основе различных методов машинного обучения.

📊 Основные этапы проекта

1. Предварительный анализ данных – базовое знакомство с данными, очистка и подготовка для последующего анализа
2. Исследовательский анализ данных (EDA) – глубокий анализ, визуализация и выявление закономерностей
3. Регрессия – построение моделей для предсказания значений
4. Кластеризация – группировка данных для выявления скрытых паттернов
5. Классификация – распределение данных по группам (целевая переменная - факт ухода клиента из фитнес-клуба)

🛠️ Используемые библиотеки

Библиотека	Назначение
pandas	Обработка и анализ данных
numpy	Работа с массивами и математические операции
matplotlib / seaborn	Построение графиков и визуализация
scikit-learn	Построение и оценка ML-моделей

📈 Методы и модели

🔍 Предварительный анализ данных

• Первичный осмотр данных, проверка на пропущенные значения и выбросы
• Описание распределений и вычисление статистических показателей

📊 Исследовательский анализ данных (EDA)

• Визуализация распределений и парных взаимосвязей
• Анализ корреляций между признаками

📉 Регрессия

• Линейная регрессия - моделирование линейных зависимостей
• Полиномиальная регрессия - моделирование нелинейных зависимостей
• KNN - метод на основе расстояния
• Дерево решений - предсказания через разделение данных

🎯 Кластеризация

• KMeans - улучшенный алгоритм для определения центроидов
• Иерархическая кластеризация - создание иерархии кластеров

🏷️ Классификация

• Логистическая регрессия
• Случайный лес
• KNN
• Дерево решений

📁 Структура файлов проекта

Файл	Описание
01_preprocessing.ipynb	Предварительная очистка и анализ данных
02_eda.ipynb	Визуализация данных и исследование связей
03_regression.ipynb	Построение регрессионных моделей
04_clustering.ipynb	Методы кластеризации для группировки данных
05_classification.ipynb	Методы классификации для анализа структур

🎯 Результаты

В рамках проекта выполнен полный цикл анализа данных: от предварительной обработки до построения и оценки machine learning моделей. Реализованы различные подходы к решению задач регрессии, кластеризации и классификации, что позволило выявить ключевые закономерности в данных и создать эффективные прогнозные модели.