3 lab fix

lec3.ipynb

@@ -1250,11 +1250,6 @@
     ").head(20)"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": []
-  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -2224,7 +2219,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Винсоризация признака "
+    "Винсоризация признака Volume"
    ]
   },
   {
@@ -2884,30 +2879,25 @@
    "metadata": {},
    "source": [
     "Выводы: \n",
-    "1. Предсказательная способность\n",
-    "\n",
+    "1.Предсказательная способность\n",
     "Нормализация и стандартизация: Эти методы могут улучшить предсказательную способность признаков, так как они приводят данные к единому масштабу. Это особенно важно для алгоритмов, чувствительных к масштабу, таких как K-ближайших соседей или нейронные сети. Признаки, такие как Price_change, High_Low_diff, и Open_Close_diff, могут стать более информативными после этих преобразований.\n",
     "\n",
     "Винсоризация: Этот метод помогает уменьшить влияние выбросов, что может улучшить предсказательную способность модели, так как она будет менее подвержена искажениям из-за аномальных значений.\n",
     "\n",
-    "2. Скорость вычисления\n",
+    "2.Скорость вычисления\n",
     "Применение нормализации и стандартизации может немного увеличить время вычислений, так как требуется дополнительный шаг для преобразования данных. Однако, в данном случае это незначительное увеличение времени.\n",
-    "\n",
     "Винсоризация также может добавить некоторую вычислительную нагрузку, но она в данном случае незначительна.\n",
-    "3. Надежность\n",
     "\n",
+    "3.Надежность\n",
     "Нормализация и стандартизация могут повысить надежность признаков, так как они уменьшают влияние выбросов и делают данные более однородными. Это может привести к более стабильным и надежным результатам при обучении модели.\n",
-    "\n",
     "Винсоризация помогает устранить аномальные значения, что также способствует повышению надежности.\n",
-    "4. Корреляция\n",
     "\n",
+    "4.Корреляция\n",
     "После нормализации и стандартизации корреляции между признаками могут измениться. Это может помочь выявить более сильные связи между признаками и целевой переменной. Однако важно следить за мультиколлинеарностью, так как некоторые признаки могут стать слишком коррелированными.\n",
-    "\n",
     "Винсоризация может помочь уменьшить влияние выбросов на корреляцию, что может привести к более точным оценкам взаимосвязей между признаками.\n",
-    "5. Целостность\n",
     "\n",
+    "5.Целостность\n",
     "Нормализация и стандартизация не влияют на целостность данных, если они применяются корректно. Однако важно следить за тем, чтобы не было пропусков в данных, так как это может повлиять на качество модели.\n",
-    "\n",
     "Винсоризация и отсечение выбросов помогают поддерживать целостность данных, так как они устраняют аномальные значения, которые могут исказить результаты.\n",
     "\n",
     "Заключение\n",