kamyshov_danila_lab_2 is done

kamyshov_danila_lab_2/app.py

@@ -0,0 +1,96 @@
+from flask import Flask, request, render_template
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE, f_regression
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.preprocessing import MinMaxScaler
+import numpy as np
+
+app = Flask(__name__)
+
+# Генерируем случайные данные
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+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, size))
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+
+# Определяем и обучаем модели
+lr = LinearRegression()
+
+# Используем f_regression вместо RFE для линейной корреляции
+f_values, _ = f_regression(X, Y)
+lr.fit(X, Y)
+
+rf = RandomForestRegressor(n_estimators=100)
+rf.fit(X, Y)
+
+# Словарь для хранения результатов оценок
+feature_rankings = {}
+
+
+# Функция для ранжирования признаков с использованием линейной регрессии
+def rank_lr():
+    coef = lr.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+
+# Функция для ранжирования признаков с использованием RFE
+def rank_rfe():
+    rfe = RFE(lr, n_features_to_select=2)
+    rfe.fit(X, Y)
+    ranking = rfe.ranking_
+    ranking = min_max_scale(ranking)
+    return ranking
+
+
+# Функция для ранжирования признаков с использованием Random Forest
+def rank_rf():
+    importances = rf.feature_importances_
+    importances = min_max_scale(importances)
+    return importances
+
+
+# Функция для масштабирования оценок в диапазоне [0, 1]
+def min_max_scale(arr):
+    scaler = MinMaxScaler()
+    scaled = scaler.fit_transform(np.array(arr).reshape(-1, 1))
+    return scaled
+
+
+# Функция для выполнения ранжирования и вычисления средней оценки
+def rank_features():
+    feature_rankings['Linear Regression'] = rank_lr()
+    feature_rankings['RFE'] = rank_rfe()
+    feature_rankings['Random Forest'] = rank_rf()
+    # Средняя оценка
+    mean_ranking = np.mean(list(feature_rankings.values()), axis=0)
+    feature_rankings['Mean Ranking'] = mean_ranking
+
+    # Получите индексы 4 самых важных признаков
+    top_4_indices = np.argsort(mean_ranking)[-4:][::-1]
+
+    # Получите названия признаков по индексам
+    top_4_feature_names = [f'Признак {i + 1}' for i in top_4_indices]
+
+    # Добавьте значения X и Y в контекст
+    return {
+        'feature_rankings': feature_rankings,
+        'X_values': X.tolist(),
+        'Y_values': Y.tolist(),
+        'top_4_feature_names': top_4_feature_names  # Добавляем самые важные признаки
+    }
+
+
+@app.route('/', methods=['GET', 'POST'])
+def index():
+    if request.method == 'POST':
+        context = rank_features()
+        return render_template('index.html', **context)
+    return render_template('index.html', feature_rankings=feature_rankings)
+
+
+if __name__ == '__main__':
+    app.run(debug=True)

kamyshov_danila_lab_2/readme.md

@@ -0,0 +1,27 @@
+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 важными по среднему значению? (Названия\индексы признаков и будут 
+ответом на задание).
+
+13 вариант:
+Рекурсивное сокращение признаков (Recursive Feature Elimination
+– RFE), Сокращение признаков Случайными деревьями (Random Forest
+Regressor), Линейная корреляция (f_regression)
+
+Чтобы Запустить приложение нужно запустить файл app.py
+
+
+Технологии:
+
+Flask: Фреймворк для создания веб-приложений на языке Python.
+scikit-learn: Библиотека для машинного обучения в Python.
+NumPy: Библиотека для работы с массивами и матрицами в Python.
+pandas: Библиотека для обработки и анализа данных в Python.
+Описание работы программы:
+Программа создает веб-приложение для ранжирования признаков в сгенерированных данных. Используются три метода: линейная регрессия, рекурсивное сокращение признаков (RFE), и случайные деревья. Данные генерируются, модели обучаются, и затем вычисляются оценки важности признаков. Результаты отображаются на веб-странице.
+
+Входные данные:
+
+Сгенерированные данные X (матрица признаков) и Y (вектор целевых значений).
+Выходные данные:
+
+Результаты ранжирования признаков для линейной регрессии, RFE, случайных деревьев и среднее значение.
+Самые важные признаки.

kamyshov_danila_lab_2/templates/index.html

@@ -0,0 +1,51 @@
+<!DOCTYPE html>
+<html lang="en">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Feature Ranking</title>
+</head>
+<body>
+    <h1>Feature Ranking</h1>
+    <form method="POST">
+        <button type="submit">Выполнить</button>
+    </form>
+
+    <h2>Результаты ранжирования признаков</h2>
+    <table>
+        <tr>
+            <th>Метод</th>
+            <th>Признак 1</th>
+            <th>Признак 2</th>
+            <!-- Добавьте остальные признаки -->
+        </tr>
+        <tr>
+            <td>Линейная регрессия</td>
+            <td>{{ feature_rankings['Linear Regression'][0] if 'Linear Regression' in feature_rankings else '' }}</td>
+            <td>{{ feature_rankings['Linear Regression'][1] if 'Linear Regression' in feature_rankings else '' }}</td>
+        </tr>
+        <tr>
+            <td>RFE</td>
+            <td>{{ feature_rankings['RFE'][0] if 'RFE' in feature_rankings else '' }}</td>
+            <td>{{ feature_rankings['RFE'][1] if 'RFE' in feature_rankings else '' }}</td>
+        </tr>
+        <tr>
+            <td>Случайные деревья</td>
+            <td>{{ feature_rankings['Random Forest'][0] if 'Random Forest' in feature_rankings else '' }}</td>
+            <td>{{ feature_rankings['Random Forest'][1] if 'Random Forest' in feature_rankings else '' }}</td>
+        </tr>
+        <tr>
+            <td>Средняя оценка</td>
+            <td>{{ feature_rankings['Mean Ranking'][0] if 'Mean Ranking' in feature_rankings else '' }}</td>
+            <td>{{ feature_rankings['Mean Ranking'][1] if 'Mean Ranking' in feature_rankings else '' }}</td>
+        </tr>
+    </table>
+
+    <h2>Самые важные признаки</h2>
+    <ul>
+        {% for feature_name in top_4_feature_names %}
+            <li>{{ feature_name }}</li>
+        {% endfor %}
+    </ul>
+</body>
+</html>