70 lines
3.5 KiB
Python
70 lines
3.5 KiB
Python
|
from operator import itemgetter
|
|||
|
|
import numpy as np
|
|||
|
|
from sklearn.ensemble import RandomForestRegressor
|
|||
|
|
from sklearn.feature_selection import RFE
|
|||
|
|
from sklearn.linear_model import LinearRegression, Ridge
|
|||
|
|
from sklearn.preprocessing import MinMaxScaler
|
|||
|
|
|
|||
|
|
|
|||
|
|
np.random.seed(0)
|
|||
|
|
size = 750
|
|||
|
|
X = np.random.uniform(0, 1, (size, 14)) # Генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков
|
|||
|
|
|
|||
|
|
Y = (10 * np.sin(np.pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - .5) ** 2 +
|
|||
|
|
10 * X[:, 3] + 5 * X[:, 4] ** 5 + np.random.normal(0, 1)) # Задаем функцию-выход: регрессионную проблему Фридмана
|
|||
|
|
|
|||
|
|
X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4)) # Добавляем зависимость признаков
|
|||
|
|
|
|||
|
|
ridge = Ridge(alpha=1) # Создаём модель гребневой регрессии и обучаем её
|
|||
|
|
ridge.fit(X, Y)
|
|||
|
|
|
|||
|
|
lr = LinearRegression() # Создаём модель линейной регрессии и обучаем её
|
|||
|
|
lr.fit(X, Y)
|
|||
|
|
rfe = RFE(lr) # На основе линейной модели выполняем рекурсивное сокращение признаков
|
|||
|
|
rfe.fit(X,Y)
|
|||
|
|
|
|||
|
|
rfr = RandomForestRegressor() # Создаём и обучаем регрессор случайного леса (используется вместо устаревшего рандомизированного лассо)
|
|||
|
|
rfr.fit(X, Y)
|
|||
|
|
|
|||
|
|
|
|||
|
|
def rank_ridge_rfr_to_dict(ranks, names): # Метод нормализации оценок важности для модели гребневой регрессии и регрессора случайного леса
|
|||
|
|
ranks = np.abs(ranks)
|
|||
|
|
minmax = MinMaxScaler()
|
|||
|
|
ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
|
|||
|
|
ranks = map(lambda x: round(x, 2), ranks)
|
|||
|
|
return dict(zip(names, ranks))
|
|||
|
|
|
|||
|
|
|
|||
|
|
def rank_rfe_to_dict(ranks, names): # Метод нормализации оценок важности для модели рекурсивного сокращения признаков
|
|||
|
|
new_ranks = [float(1 / x) for x in ranks]
|
|||
|
|
new_ranks = map(lambda x: round(x, 2), new_ranks)
|
|||
|
|
return dict(zip(names, new_ranks))
|
|||
|
|
|
|||
|
|
|
|||
|
|
if __name__ == '__main__':
|
|||
|
|
names = ["x%s" % i for i in range(1, 15)]
|
|||
|
|
ranks = dict()
|
|||
|
|
|
|||
|
|
ranks["Ridge"] = rank_ridge_rfr_to_dict(ridge.coef_, names)
|
|||
|
|
ranks["Recursive Feature Elimination"] = rank_rfe_to_dict(rfe.ranking_, names)
|
|||
|
|
ranks["Random Forest Regression"] = rank_ridge_rfr_to_dict(rfr.feature_importances_, names)
|
|||
|
|
|
|||
|
|
for key, value in ranks.items(): # Вывод нормализованных оценок важности признаков каждой модели
|
|||
|
|
ranks[key] = sorted(value.items(), key=itemgetter(1), reverse=True)
|
|||
|
|
for key, value in ranks.items():
|
|||
|
|
print(key)
|
|||
|
|
print(value)
|
|||
|
|
|
|||
|
|
mean = {} # Нахождение средних значений оценок важности по 3м моделям
|
|||
|
|
for key, value in ranks.items():
|
|||
|
|
for item in value:
|
|||
|
|
if item[0] not in mean:
|
|||
|
|
mean[item[0]] = 0
|
|||
|
|
mean[item[0]] += item[1]
|
|||
|
|
for key, value in mean.items():
|
|||
|
|
res = value / len(ranks)
|
|||
|
|
mean[key] = round(res, 2)
|
|||
|
|
mean = sorted(mean.items(), key=itemgetter(1), reverse=True)
|
|||
|
|
print("Mean")
|
|||
|
|
print(mean)
|