58 lines
3.5 KiB
Markdown
58 lines
3.5 KiB
Markdown
|
# Лабораторная работа №2. Работа с типовыми наборами данных и различными моделями
|
|||
|
|
## 6 вариант
|
|||
|
|
### Задание:
|
|||
|
|
Используя код из источника (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).
|
|||
|
|
|
|||
|
|
* Гребневая регрессия (Ridge)
|
|||
|
|
* Сокращение признаков
|
|||
|
|
Случайными деревьями (Random Forest Regressor)
|
|||
|
|
* Линейная корреляция (f_regression)
|
|||
|
|
|
|||
|
|
|
|||
|
|
### Как запустить лабораторную
|
|||
|
|
1. Запустить файл main.py
|
|||
|
|
|
|||
|
|
### Используемые технологии
|
|||
|
|
1. Библиотека numpy
|
|||
|
|
2. Библиотека scikit-learn
|
|||
|
|
3. Python
|
|||
|
|
4. IDE PyCharm
|
|||
|
|
|
|||
|
|
### Описание лабораторной работы
|
|||
|
|
|
|||
|
|
Программа выполняет ранжирование признаков в задаче регрессии. Сначала происходит генерация исходных данных с использованием 14 признаков X
|
|||
|
|
Задается функция-выход: регрессионная проблема Фридмана. Добавляется зависимость признаков, после чего используются модели по варианту. Результаты обработки
|
|||
|
|
сохраняются в словаре ranks, после чего сортируются и выводятся в консоль.
|
|||
|
|
|
|||
|
|
### Результат
|
|||
|
|
Программа выводит в консоль следующие данные:
|
|||
|
|
* Ridge
|
|||
|
|
[('x4', 1.0), ('x14', 0.92), ('x1', 0.76), ('x2', 0.75), ('x12', 0.67), ('x5', 0.61), ('x11', 0.59), ('x6', 0.08), ('x8', 0.08), ('x3', 0.06), ('x7', 0.03), ('x10', 0.01), ('x9', 0.0), ('x13', 0.0)]
|
|||
|
|
* Random Forest
|
|||
|
|
[('x14', 1.0), ('x2', 0.76), ('x1', 0.66), ('x4', 0.55), ('x11', 0.29), ('x12', 0.28), ('x5', 0.23), ('x3', 0.1), ('x13', 0.09), ('x7', 0.01), ('x6', 0.0), ('x8', 0.0), ('x9', 0.0), ('x10', 0.0)]
|
|||
|
|
* Linear Correlation
|
|||
|
|
[('x4', 1.0), ('x14', 0.98), ('x2', 0.45), ('x12', 0.44), ('x1', 0.3), ('x11', 0.29), ('x5', 0.04), ('x8', 0.02), ('x7', 0.01), ('x9', 0.01), ('x3', 0.0), ('x6', 0.0), ('x10', 0.0), ('x13', 0.0)]
|
|||
|
|
|
|||
|
|
1. x4: 1.0
|
|||
|
|
2. x14: 0.92
|
|||
|
|
3. x1: 0.76
|
|||
|
|
4. x2: 0.75
|
|||
|
|
5. x12: 0.67
|
|||
|
|
6. x5: 0.61
|
|||
|
|
7. x11: 0.59
|
|||
|
|
8. x6: 0.08
|
|||
|
|
9. x8: 0.08
|
|||
|
|
10. x3: 0.06
|
|||
|
|
11. x7: 0.03
|
|||
|
|
12. x10: 0.01
|
|||
|
|
13. x9: 0.0
|
|||
|
|
14. x13: 0.0
|
|||
|
|
|
|||
|
|
В результате работы программы видно, что наиболее важными признаками оказались x4 и x14, другие оказались намного менее важными. Стоит отметить, что случайные деревья оказали существенно отличающийся результат, в сравнении с гребневой регрессией и линейной корреляцией.
|