LR2: уточненине задачи

labs/OATD_LR2.md

@@ -33,6 +33,7 @@
 	* Количество деревьев `n_estimators`: {1, 5, 10, 20}.
 	
 	* Глубина дерева `max_depth`: {1, 5, 12, 25}
+9. Для лучшего классификатора вывести `classification report`
 
 ### Подход на основе эмбеддингов
 
@@ -40,8 +41,10 @@
 
 9. Провести обучение и настройку Случайного леса с помощью `GridSearchCV`, но при представлении текстов в виде word embedding. Настраивать требуется только параметры Случайного леса. Параметры векторизатора берем по умолчанию - весь словарь, без удаления стоп-слов.
 
-10. По каждому пункту работы занести в отчет программный код и результат вывода.
-11. По результатам классификации занести в отчет выводы о:
+10. Для лучшего классификатора вывести `classification report`
+
+11. По каждому пункту работы занести в отчет программный код и результат вывода.
+12. По результатам классификации занести в отчет выводы о:
 
 	1. схожести или различии разных классов с точки зрения самых встречающихся слов до и после удаления стоп-слов.