2023-09-30 20:26:46 +04:00
|
|
|
|
# Лаб 2
|
|
|
|
|
|
|
|
|
|
|
|
Ранжирование признаков
|
|
|
|
|
|
|
|
|
|
|
|
Используя код из (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).
|
|
|
|
|
|
|
|
|
|
|
|
# Вариант 3
|
|
|
|
|
|
|
2023-09-30 21:07:59 +04:00
|
|
|
|
Линейная регрессия (LinearRegression) , Сокращение признаков
|
|
|
|
|
|
Случайными деревьями (Random Forest Regressor), Линейная корреляция
|
|
|
|
|
|
(f_regression)
|
2023-09-30 20:26:46 +04:00
|
|
|
|
|
|
|
|
|
|
# Запуск
|
|
|
|
|
|
|
2023-09-30 21:07:59 +04:00
|
|
|
|
Выполнением скрипта файла (вывод в консоль).
|
2023-09-30 20:26:46 +04:00
|
|
|
|
|
|
|
|
|
|
# Модели:
|
|
|
|
|
|
|
2023-09-30 21:07:59 +04:00
|
|
|
|
1. Линейная регрессия (LinearRegression)
|
|
|
|
|
|
1. Сокращение признаков cлучайными деревьями (Random Forest Regressor)
|
|
|
|
|
|
1. Линейная корреляция (f_regression)
|
2023-09-30 20:26:46 +04:00
|
|
|
|
|
2023-09-30 21:07:59 +04:00
|
|
|
|
# Пояснения
|
2023-09-30 20:26:46 +04:00
|
|
|
|
|
|
|
|
|
|
<div>
|
2023-09-30 21:07:59 +04:00
|
|
|
|
Выбор наиболее подходящего метода ранжирования объектов зависит от специфики набора данных и требований
|
|
|
|
|
|
к модели.
|
|
|
|
|
|
|
|
|
|
|
|
Линейная регрессия - это простой и понятный метод, который может быть использован для предсказания значений.
|
|
|
|
|
|
Он хорошо работает, если зависимость между переменными является линейной.
|
|
|
|
|
|
Однако, если данные содержат сложные нелинейные зависимости, линейная регрессия может
|
|
|
|
|
|
оказаться не очень эффективной.
|
|
|
|
|
|
|
|
|
|
|
|
Уменьшение признаков с помощью случайных деревьев (Random Forest Regressor) - это мощный метод,
|
|
|
|
|
|
который способен обрабатывать сложные взаимосвязи в данных, даже если они нелинейные.
|
|
|
|
|
|
Он основан на идее создания ансамбля деревьев решений, каждое из которых дает свой голос за
|
|
|
|
|
|
наиболее подходящий ответ. Случайные леса обычно дают хорошие результаты и являются устойчивыми
|
|
|
|
|
|
к переобучению.
|
|
|
|
|
|
|
|
|
|
|
|
Линейная корреляция или f_regression - это статистический метод, который используется для измерения
|
|
|
|
|
|
степени связи между двумя переменными. Он может помочь определить, есть ли вообще связь между переменными,
|
|
|
|
|
|
но не подходит для ранжирования объектов.
|
2023-09-30 20:26:46 +04:00
|
|
|
|
</div>
|
|
|
|
|
|
|
|
|
|
|
|
<div>
|
2023-09-30 21:07:59 +04:00
|
|
|
|
В общем, выбор между линейной регрессией и случайными лесами зависит от характеристик данных.
|
|
|
|
|
|
Если данные имеют линейную зависимость, то линейная регрессия будет предпочтительнее.
|
|
|
|
|
|
Если данные содержат сложные, возможно нелинейные взаимосвязи, то Random Forest может быть лучшим выбором.
|
|
|
|
|
|
В любом случае, важно провести предварительное исследование данных и тестирование различных моделей,
|
|
|
|
|
|
чтобы выбрать наиболее подходящую.
|
2023-09-30 20:26:46 +04:00
|
|
|
|
</div>
|
