28 lines
2.6 KiB
Markdown
28 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).
|
|||
|
|
|
|||
|
|
8 вариант:
|
|||
|
|
Лассо (Lasso), Рекурсивное сокращение признаков (Recursive
|
|||
|
|
Feature Elimination – RFE), Сокращение признаков Случайными деревьями
|
|||
|
|
(Random Forest Regressor)
|
|||
|
|
|
|||
|
|
Запуск через файл app.py
|
|||
|
|
|
|||
|
|
Технологии:
|
|||
|
|
|
|||
|
|
Flask: веб-фреймворк для Python, используется для создания веб-приложения.
|
|||
|
|
scikit-learn: библиотека машинного обучения для Python, в данном случае, используется для реализации методов машинного обучения, таких как Lasso, RFE и Random Forest Regressor.
|
|||
|
|
NumPy: библиотека для выполнения вычислений с массивами и матрицами в Python.
|
|||
|
|
Описание работы программы:
|
|||
|
|
|
|||
|
|
Генерация случайных данных X и Y.
|
|||
|
|
Обучение моделей машинного обучения (Lasso, RFE, Random Forest Regressor) на сгенерированных данных.
|
|||
|
|
Ранжирование признаков с использованием различных методов.
|
|||
|
|
Визуализация результатов ранжирования и отображение наиболее важных признаков.
|
|||
|
|
Входные данные:
|
|||
|
|
|
|||
|
|
X: массив случайных данных размером (750, 14).
|
|||
|
|
Y: массив случайных данных размером (750,).
|
|||
|
|
Выходные данные:
|
|||
|
|
|
|||
|
|
Веб-страница с результатами ранжирования признаков для каждого метода, списком самых важных признаков и таблицами значений X и Y.
|