30 lines
3.0 KiB
Markdown
30 lines
3.0 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 45 важными по среднему значению? (Названия\индексы признаков и будут
|
|||
|
ответом на задание).
|
|||
|
|
|||
|
Вариант 19:
|
|||
|
Линейная регрессия (LinearRegression), Гребневая регрессия (Ridge), Лассо (Lasso), Случайное Лассо (RandomizedLasso)
|
|||
|
|
|||
|
Запуск приложения: запуск файла app.py
|
|||
|
|
|||
|
Использованные технологии:
|
|||
|
Flask: Веб-фреймворк для Python, используемый для создания веб-приложения.
|
|||
|
scikit-learn (sklearn): Библиотека машинного обучения для Python. В коде используются модели линейной регрессии (LinearRegression), гребневой регрессии (Ridge), лассо (Lasso), а также Случайное Лассо (RandomizedLasso).
|
|||
|
NumPy: Библиотека для работы с многомерными массивами и математическими функциями в Python.
|
|||
|
Pandas: Библиотека для обработки и анализа данных в Python.
|
|||
|
MinMaxScaler: Инструмент из scikit-learn для масштабирования данных в интервал [0, 1].
|
|||
|
|
|||
|
Краткое описание работы программы:
|
|||
|
Генерируются случайные данные X и Y.
|
|||
|
Создаются и обучаются модели линейной регрессии, гребневой регрессии и случайного Лассо.
|
|||
|
Реализованы функции для ранжирования признаков с использованием различных моделей.
|
|||
|
Веб-приложение на Flask отображает результаты ранжирования признаков, средние оценки и важные признаки.
|
|||
|
|
|||
|
Пример входных данных:
|
|||
|
Генерированные случайные данные X (матрица признаков) и Y (вектор целевой переменной).
|
|||
|
|
|||
|
Пример выходных данных:
|
|||
|
Веб-страница с результатами ранжирования признаков, средними оценками и списком самых важных признаков.
|