savenkov_alexander_lab_2 is done

.idea/discord.xml

@@ -0,0 +1,7 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="DiscordProjectSettings">
+    <option name="show" value="ASK" />
+    <option name="description" value="" />
+  </component>
+</project>

savenkov_alexander_lab_2/.idea/.gitignore

@@ -0,0 +1,3 @@
+# Default ignored files
+/shelf/
+/workspace.xml

savenkov_alexander_lab_2/.idea/.name

@@ -0,0 +1 @@
+app.py

savenkov_alexander_lab_2/.idea/Lab_2_IIS.iml

@@ -0,0 +1,10 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<module type="PYTHON_MODULE" version="4">
+  <component name="NewModuleRootManager">
+    <content url="file://$MODULE_DIR$">
+      <excludeFolder url="file://$MODULE_DIR$/venv" />
+    </content>
+    <orderEntry type="jdk" jdkName="Python 3.11" jdkType="Python SDK" />
+    <orderEntry type="sourceFolder" forTests="false" />
+  </component>
+</module>

savenkov_alexander_lab_2/.idea/discord.xml

@@ -0,0 +1,7 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="DiscordProjectSettings">
+    <option name="show" value="ASK" />
+    <option name="description" value="" />
+  </component>
+</project>

savenkov_alexander_lab_2/.idea/inspectionProfiles/profiles_settings.xml

@@ -0,0 +1,6 @@
+<component name="InspectionProjectProfileManager">
+  <settings>
+    <option name="USE_PROJECT_PROFILE" value="false" />
+    <version value="1.0" />
+  </settings>
+</component>

savenkov_alexander_lab_2/.idea/misc.xml

@@ -0,0 +1,7 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.11" project-jdk-type="Python SDK" />
+  <component name="PyCharmProfessionalAdvertiser">
+    <option name="shown" value="true" />
+  </component>
+</project>

savenkov_alexander_lab_2/.idea/modules.xml

@@ -0,0 +1,8 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="ProjectModuleManager">
+    <modules>
+      <module fileurl="file://$PROJECT_DIR$/.idea/Lab_2_IIS.iml" filepath="$PROJECT_DIR$/.idea/Lab_2_IIS.iml" />
+    </modules>
+  </component>
+</project>

savenkov_alexander_lab_2/app.py

@@ -0,0 +1,94 @@
+from flask import Flask, request, render_template
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.preprocessing import MinMaxScaler
+import pandas as pd
+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()
+rfe = RFE(lr, n_features_to_select=2)
+rfe.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():
+    lr.fit(X, Y)
+    coef = lr.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+
+# Функция для ранжирования признаков с использованием RFE
+def rank_rfe():
+    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)

savenkov_alexander_lab_2/readme.md

@@ -0,0 +1,60 @@
+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).
+
+Задание по вариантам 2 вариант (22), взял 2 т.к. всего 20 вариант задания:
+2. Линейная регрессия (LinearRegression), Рекурсивное сокращение 
+признаков (Recursive Feature Elimination – RFE), Сокращение признаков 
+Случайными деревьями (Random Forest Regressor)
+
+Запуск приложения осуществляется запуском файла app.py
+
+Использованные технологии:
+Среда программирования Pycharm
+Версия языка python: 3.11
+Flask: Flask - это микрофреймворк для создания веб-приложений на языке Python. Он используется для создания веб-интерфейса и обработки HTTP-запросов и ответов.
+
+scikit-learn: Scikit-learn - это библиотека для машинного обучения в Python. В вашей программе она используется для обучения моделей машинного обучения, таких как линейная регрессия, RFE и случайный лес, а также для выполнения ранжирования признаков.
+
+NumPy: NumPy - это библиотека для научных вычислений в Python. Она используется для работы с массивами и матрицами данных.
+
+Pandas: Pandas - это библиотека для анализа данных. Она используется для создания и обработки данных, включая таблицы и структуры данных.
+
+MinMaxScaler: Это функция из библиотеки Scikit-learn, используемая для масштабирования оценок признаков в диапазоне [0, 1].
+
+HTML и шаблоны Jinja2: HTML - это язык разметки для создания веб-страниц, а Jinja2 - это шаблонный движок для вставки данных в HTML-шаблоны.
+
+HTTP и формы: Ваше приложение Flask обрабатывает HTTP-запросы и использует форму <form> для отправки данных при нажатии кнопки "Выполнить".
+
+Краткое описание работы программы:
+Сгенерированные данные: Программа создает случайные данные в виде матрицы X и вектора Y.
+
+Обучение моделей: Обучаются три модели машинного обучения: линейная регрессия, RFE (рекурсивное исключение признаков) и случайные леса, используя сгенерированные данные.
+
+Ранжирование признаков: Для каждой модели рассчитываются ранги признаков, отражающие их важность для прогнозирования целевой переменной Y.
+
+Средний ранг: Вычисляется средний ранг для каждого признака на основе результатов всех трех моделей.
+
+Вывод результатов: После нажатия кнопки "Выполнить" на веб-странице, программа отображает следующие результаты:
+
+Ранги признаков для каждой модели (линейная регрессия, RFE, случайные леса).
+Средний ранг признаков.
+Значения признаков X.
+Значения целевой переменной Y.
+4 самых важных признака на основе среднего ранга (по названиям).
+
+Пример входных данных:
+Случайные данные в виде матрицы X и вектора Y.
+
+Пример выходных данных:
+Ранги признаков для каждой модели (линейная регрессия, RFE, случайные леса).
+Средний ранг признаков.
+Значения признаков X.
+Значения целевой переменной Y.
+4 самых важных признака на основе среднего ранга (по названиям).

savenkov_alexander_lab_2/templates/index.html

@@ -0,0 +1,73 @@
+<!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>
+
+    <h2>Значения X</h2>
+    <table>
+    {% for row in X_values %}
+        <tr>
+        {% for value in row %}
+            <td>{{ value }}</td>
+            {% if loop.index % 10 == 0 %}</tr><tr>{% endif %}
+        {% endfor %}
+        </tr>
+    {% endfor %}
+    </table>
+
+    <h2>Значения Y</h2>
+    <table>
+    <tr>
+    {% for value in Y_values %}
+        <td>{{ value }}</td>
+        {% if loop.index % 10 == 0 %}</tr><tr>{% endif %}
+    {% endfor %}
+    </tr>
+    </table>
+</body>
+</html>