37 lines
2.5 KiB
Markdown
37 lines
2.5 KiB
Markdown
|
### Вариант 9
|
|||
|
|
### Задание на лабораторную работу:
|
|||
|
|
Выполнить ранжирование признаков с помощью указанных по варианту моделей:
|
|||
|
|
- Лассо (Lasso)
|
|||
|
|
- Сокращение признаков Случайными деревьями (Random Forest Regressor)
|
|||
|
|
- Линейная корреляция (f_regression)
|
|||
|
|
|
|||
|
|
### Как запустить лабораторную работу:
|
|||
|
|
Выполняем файл gusev_vladislav_lab_2.py, в консоль будут выведены результаты.
|
|||
|
|
|
|||
|
|
### Технологии
|
|||
|
|
NumPy - библиотека для работы с многомерными массивами. Sklearn - библиотека с большим количеством алгоритмов машинного обучения.
|
|||
|
|
|
|||
|
|
### По коду
|
|||
|
|
В начале генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков, задаем функцию-выход: регрессионную проблему Фридмана, добавляем зависимость признаков
|
|||
|
|
|
|||
|
|
Далее создаем пустой словарь для хранения рангов признаков, используем методы из библиотеки Sklearn: Lasso, RandomForestRegressor и f_regression для задания по варианту.
|
|||
|
|
|
|||
|
|
Далее необходимо объявить функцию def rank_to_dict(ranks, names): для соотнесения нашего списка рангов и списка оценок по признакам. Возвращает он словарь типа (имя_признака: оценка_признака) и оценки приведены к единому диапазону от 0 до 1 и округлены до сотых.
|
|||
|
|
|
|||
|
|
В конце формируем среднее по каждому признаку, сортируем по убыванию и выводим на экран.
|
|||
|
|
|
|||
|
|
Пример:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Признаки х4 и х14 имеют наивысшие ранги, что говорит об их наибольшей значимости для решения задачи
|
|||
|
|
|
|||
|
|
Далее x2 и x12 занимают второе место по значимости (средняя значимость)
|
|||
|
|
|
|||
|
|
х1, х11 ниже среднего
|
|||
|
|
|
|||
|
|
х5, х8, х7 низкая значимость
|
|||
|
|
|
|||
|
|
х9, х3, х13, х10, х6 очень низкая значимость
|
|||
|
|
|