Выявление дисбаланса классов

Сейчас вы работаете над важным предварительным этапом жизненного цикла машинного обучения — разведочным анализом данных (EDA).

EDA помогает лучше понять структуру набора данных heart_disease_df: взаимосвязи между переменными и возможные проблемы, которые необходимо устранить до начала обучения модели. Анализ распределения классов в признаках — например, пола пациента — является ключевой частью EDA.

Дисбаланс классов, при котором один класс представлен значительно большим числом примеров, чем другой, может исказить процесс обучения модели: она начнёт отдавать предпочтение большинству.