27 lines
2.6 KiB
Markdown
27 lines
2.6 KiB
Markdown
|
Общее задание:Используя код из [1] (пункт «Решение задачи ранжирования признаков», стр. 205), выполните ранжирование признаков с помощью указанных по варианту моделей. Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку. Проведите анализ получившихся результатов. Какие четыре признака оказались самыми важными по среднему значению? (Названия\индексы признаков и будут
|
|||
|
|
ответом на задание).
|
|||
|
|
|
|||
|
|
13 вариант:
|
|||
|
|
Рекурсивное сокращение признаков (Recursive Feature Elimination
|
|||
|
|
– RFE), Сокращение признаков Случайными деревьями (Random Forest
|
|||
|
|
Regressor), Линейная корреляция (f_regression)
|
|||
|
|
|
|||
|
|
Чтобы Запустить приложение нужно запустить файл app.py
|
|||
|
|
|
|||
|
|
|
|||
|
|
Технологии:
|
|||
|
|
|
|||
|
|
Flask: Фреймворк для создания веб-приложений на языке Python.
|
|||
|
|
scikit-learn: Библиотека для машинного обучения в Python.
|
|||
|
|
NumPy: Библиотека для работы с массивами и матрицами в Python.
|
|||
|
|
pandas: Библиотека для обработки и анализа данных в Python.
|
|||
|
|
Описание работы программы:
|
|||
|
|
Программа создает веб-приложение для ранжирования признаков в сгенерированных данных. Используются три метода: линейная регрессия, рекурсивное сокращение признаков (RFE), и случайные деревья. Данные генерируются, модели обучаются, и затем вычисляются оценки важности признаков. Результаты отображаются на веб-странице.
|
|||
|
|
|
|||
|
|
Входные данные:
|
|||
|
|
|
|||
|
|
Сгенерированные данные X (матрица признаков) и Y (вектор целевых значений).
|
|||
|
|
Выходные данные:
|
|||
|
|
|
|||
|
|
Результаты ранжирования признаков для линейной регрессии, RFE, случайных деревьев и среднее значение.
|
|||
|
|
Самые важные признаки.
|