Add lab2

almukhammetov_bulat_lab_2/README.md

@@ -0,0 +1,40 @@
+Вариант 2
+
+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).
+
+Данные: 
+Линейная регрессия (LinearRegression)
+Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE)
+Сокращение признаков Случайными деревьями (Random Forest Regressor)
+
+Запуск:
+Запустите файл lab2.py
+
+Описание программы:
+1. Генерирует случайные данные для задачи регрессии с помощью функции make_regression, создавая матрицу признаков X и вектор целевой переменной y.
+2. Создает DataFrame data, в котором столбцы представляют признаки, а последний столбец - целевую переменную.
+3. Разделяет данные на матрицу признаков X и вектор целевой переменной y.
+4. Создает список моделей для ранжирования признаков: линейной регрессии, рекурсивного сокращения признаков и сокращения признаков случайными деревьями.
+5. Создает словарь model_scores для хранения оценок каждой модели.
+6. Обучает и оценивает каждую модель на данных:
+7. Вычисляет ранги признаков и нормализует их в диапазоне от 0 до 1.
+8. Выводит оценки признаков каждой модели и их средние оценки.
+9. Находит четыре наиболее важных признака по средней оценке и выводит их индексы и значения.
+
+Результаты:
+
+![Alt text](image.png)
+
+![Alt text](image-1.png)
+
+![Alt text](image-2.png)
+
+![Alt text](image-3.png)
+
+![Alt text](image-4.png)
+
+Выводы: 
+
+Четыре наиболее важных признака, определенных на основе средних оценок, включают Признак 6, Признак 1, Признак 2 и Признак 5. Эти признаки имеют наибольшую среднюю важность среди всех признаков.
+

almukhammetov_bulat_lab_2/lab2.py

@@ -0,0 +1,75 @@
+import numpy as np
+import pandas as pd
+from sklearn.datasets import make_regression
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.preprocessing import MinMaxScaler
+
+# 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).
+
+# Линейная регрессия (LinearRegression), Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
+# Сокращение признаков Случайными деревьями (Random Forest Regressor)
+random_state = np.random.RandomState(2)
+
+# Генерация случайных данных для регрессии
+X, y = make_regression(n_samples=100, n_features=10, noise=0.1, random_state=random_state)
+
+# Создание DataFrame для данных
+data = pd.DataFrame(X, columns=[f'признак_{i}' for i in range(X.shape[1])])
+data['целевая_переменная'] = y
+
+# Разделение данных на признаки (X) и целевую переменную (y)
+X = data.drop('целевая_переменная', axis=1)
+y = data['целевая_переменная']
+
+# Создаем модели
+models = [
+    ("Линейная регрессия", LinearRegression()),
+    ("Рекурсивное сокращение признаков", RFE(LinearRegression(), n_features_to_select=1)),
+    ("Сокращение признаков Случайными деревьями", RandomForestRegressor())
+]
+
+# Словарь для хранения оценок каждой модели
+model_scores = {}
+
+# Обучение и оценка моделей
+for name, model in models:
+    model.fit(X, y)
+    if name == "Рекурсивное сокращение признаков":
+        # RFE возвращает ранжирование признаков
+        rankings = model.ranking_
+        # Нормализация рангов так, чтобы они находились в диапазоне от 0 до 1
+        normalized_rankings = 1 - (rankings - 1) / (np.max(rankings) - 1)
+        model_scores[name] = normalized_rankings
+    elif name == "Сокращение признаков Случайными деревьями":
+        # Важность признаков для RandomForestRegressor
+        feature_importances = model.feature_importances_
+        # Нормализация значений важности признаков в диапазоне от 0 до 1
+        normalized_importances = MinMaxScaler().fit_transform(feature_importances.reshape(-1, 1))
+        model_scores[name] = normalized_importances.flatten()
+    elif name == "Линейная регрессия":
+        # Коэффициенты признаков для Linear Regression
+        coefficients = model.coef_
+        # Нормализация коэффициентов так, чтобы они находились в диапазоне от 0 до 1
+        normalized_coefficients = MinMaxScaler().fit_transform(np.abs(coefficients).reshape(-1, 1))
+        model_scores[name] = normalized_coefficients.flatten()
+
+# Вывод оценок каждой модели
+for name, scores in model_scores.items():
+    print(f"{name} оценки признаков:")
+    for feature, score in enumerate(scores, start=1):
+        print(f"Признак {feature}: {score:.2f}")
+    print(f"Средняя оценка: {np.mean(scores):.2f}")
+    print()
+
+# Находим четыре наиболее важных признака по средней оценке
+all_feature_scores = np.mean(list(model_scores.values()), axis=0)
+sorted_features = sorted(enumerate(all_feature_scores, start=1), key=lambda x: x[1], reverse=True)
+top_features = sorted_features[:4]
+print("Четыре наиболее важных признака:")
+for feature, score in top_features:
+    print(f"Признак {feature}: {score:.2f}")