114 lines
5.1 KiB
Python
114 lines
5.1 KiB
Python
|
"""
|
|||
|
|
Используя код из пункта «Решение задачи ранжирования признаков»,
|
|||
|
|
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)
|
|||
|
|
"""
|
|||
|
|
|
|||
|
|
# 12 вариант
|
|||
|
|
# Лассо (Lasso)
|
|||
|
|
# Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
|
|||
|
|
# Линейная корреляция (f_regression)
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
import numpy as np
|
|||
|
|
from sklearn.linear_model import Lasso, LinearRegression
|
|||
|
|
from sklearn.feature_selection import RFE
|
|||
|
|
from sklearn.feature_selection import f_regression
|
|||
|
|
from sklearn.preprocessing import MinMaxScaler
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
def main():
|
|||
|
|
X, Y = friedman_regression_problem(800)
|
|||
|
|
|
|||
|
|
''' Создание и обучение моделей '''
|
|||
|
|
|
|||
|
|
# Лассо
|
|||
|
|
lasso_model = Lasso(alpha=.05)
|
|||
|
|
lasso_model.fit(X, Y)
|
|||
|
|
|
|||
|
|
# Рекурсивное сокращение признаков
|
|||
|
|
lr = LinearRegression()
|
|||
|
|
lr.fit(X, Y)
|
|||
|
|
rfe_model = RFE(estimator=lr)
|
|||
|
|
rfe_model.fit(X, Y)
|
|||
|
|
|
|||
|
|
# Линейная корреляция
|
|||
|
|
f, p_val = f_regression(X, Y)
|
|||
|
|
|
|||
|
|
# список имён признаков
|
|||
|
|
names = ["x%s" % i for i in range(1, 16)]
|
|||
|
|
|
|||
|
|
# словарь вызова функций моделей
|
|||
|
|
ranks = {}
|
|||
|
|
ranks["Lasso"] = rank_to_dict(lasso_model.coef_, names)
|
|||
|
|
ranks["RFE"] = rank_to_dict(rfe_model.ranking_, names)
|
|||
|
|
ranks["F_reg"] = rank_to_dict(f, names)
|
|||
|
|
|
|||
|
|
# вывод признаков и оценок каждой модели
|
|||
|
|
print_sorted_model(ranks)
|
|||
|
|
|
|||
|
|
# пустой список данных
|
|||
|
|
mean = {}
|
|||
|
|
|
|||
|
|
# Формирование среднего по каждому признаку
|
|||
|
|
for key, value in ranks.items():
|
|||
|
|
for item in value.items():
|
|||
|
|
if item[0] not in mean: #если элемента с текущим ключём нет
|
|||
|
|
mean[item[0]] = 0 #добавляем
|
|||
|
|
mean[item[0]] += item[1] #суммируем значения по каждому ключу-имени признака
|
|||
|
|
|
|||
|
|
# Поиск среднего по каждому признаку
|
|||
|
|
for key, value in mean.items():
|
|||
|
|
res = value / len(ranks)
|
|||
|
|
mean[key] = round(res, 2)
|
|||
|
|
|
|||
|
|
# Сортировка и распечатка списка
|
|||
|
|
mean = sorted(mean.items(), key=lambda item: item[1], reverse=True)
|
|||
|
|
print("\033[92mСредния значения по каждому признаку:\033[00m")
|
|||
|
|
print(mean)
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Генерация набора данных по регрессионной проблеме Фридмана
|
|||
|
|
def friedman_regression_problem(size):
|
|||
|
|
# генерируем исходные данные: 800 строк-наблюдений и 15 столбцов-признаков
|
|||
|
|
np.random.seed(0)
|
|||
|
|
X = np.random.uniform(0, 1, (size, 15))
|
|||
|
|
# Задание функции-выхода (регриссионную проблему Фридмана)
|
|||
|
|
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)
|
|||
|
|
# Добавление в зависимость признаков
|
|||
|
|
X[:,11:] = X[:,:4] + np.random.normal(0, .025, (size, 4))
|
|||
|
|
return X, Y
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Функция формирования словаря пар "имя_признака: оценка признака"
|
|||
|
|
def rank_to_dict(ranks, names):
|
|||
|
|
ranks = np.abs(ranks) #получение абсолютных значений оценок
|
|||
|
|
r_array = np.array(ranks) #создание массива списка оценок
|
|||
|
|
r_array = r_array.reshape(15, 1) #переформирование строк и столбцов в массиве
|
|||
|
|
minmax = MinMaxScaler() # экземпляр для нормализации данных
|
|||
|
|
ranks = minmax.fit_transform(r_array) #обучение и преобразование данных
|
|||
|
|
ranks = ranks.ravel() #преобразование двумерного массива в одномерный
|
|||
|
|
ranks = map(lambda x: round(x, 2), ranks) #округление каждого элемента массива до сотых
|
|||
|
|
return dict(zip(names, ranks))
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Функция вывода признаков моделей по убыванию значения оценки
|
|||
|
|
def print_sorted_model(ranks):
|
|||
|
|
ranks_copy = dict(ranks)
|
|||
|
|
for key, value in ranks_copy.items():
|
|||
|
|
ranks_copy[key] = sorted(value.items(), key=lambda item: item[1], reverse=True)
|
|||
|
|
|
|||
|
|
for key, value in ranks_copy.items():
|
|||
|
|
print("\033[92m---> {} <---\033[00m" .format(key))
|
|||
|
|
print(value)
|
|||
|
|
print()
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
if __name__ == "__main__":
|
|||
|
|
main()
|