commit cf7d1c1421692caaa102725390a1f6c226dd66fb
Author: Masha <demileka@mail.ru>
Date:   Tue Sep 1 08:55:25 2026 +0300

    first commit

diff --git a/README.md b/README.md
new file mode 100644
index 0000000..92d984a
--- /dev/null
+++ b/README.md
@@ -0,0 +1,34 @@
+# Прогноз смертности персонажей «Песни льда и огня»
+
+Учебный проект по бинарной классификации: модель оценивает вероятность смерти персонажа на основе его возраста, пола, популярности, принадлежности к дому, культуры и других характеристик.
+
+## Структура проекта
+
+- `data/character-predictions.csv` — исходные данные о персонажах;
+- `notebooks/asoiaf_mortality.ipynb` — анализ данных, подготовка признаков, обучение и сравнение моделей.
+
+## Основные этапы
+
+1. Загрузка данных и анализ пропусков.
+2. Создание целевой переменной `death`.
+3. Отбор признаков и исключение утечек данных.
+4. Исследование связи смертности с домом, популярностью и числом погибших родственников.
+5. Предобработка числовых и категориальных признаков.
+6. Сравнение Dummy Classifier, логистической регрессии и случайного леса.
+7. Анализ ошибок, вероятностей и важности признаков.
+
+## Результаты
+
+Лучший ROC AUC показал Random Forest — около **0.74**. Он также получил F1 около **0.49**. Самым важным признаком оказалась популярность персонажа, заметно меньший вклад внесли возраст, пол и количество погибших родственников.
+
+Dummy-модель имеет высокую accuracy из-за преобладания живых персонажей, но не обнаруживает ни одной смерти. Это показывает, почему при несбалансированных классах важно учитывать не только accuracy, но также precision, recall, F1 и ROC AUC.
+
+## Запуск
+
+Для работы потребуются Python и библиотеки `pandas`, `matplotlib`, `scikit-learn`, а также Jupyter Notebook.
+
+Из корня проекта запустите:
+
+```bash
+jupyter notebook notebooks/asoiaf_mortality.ipynb
+```