Лабораторная работа 2

orlov_artem_lab_2/app.py

@@ -0,0 +1,114 @@
+from flask import Flask, request, render_template
+from sklearn.linear_model import LinearRegression, Ridge, Lasso
+from sklearn.preprocessing import MinMaxScaler
+import pandas as pd
+import numpy as np
+
+app = Flask(__name__)
+
+# Generate random data
+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))
+
+# Define and train models
+lr = LinearRegression()
+ridge = Ridge()
+lasso = Lasso(alpha=0.1)  # Example alpha value, you can adjust
+
+# Number of bootstrap samples
+n_bootstrap = 100
+
+# Dictionary to store rankings
+feature_rankings = {}
+
+
+# Function to rank features using linear regression
+def rank_lr():
+    lr.fit(X, Y)
+    coef = lr.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+
+# Function to rank features using ridge regression
+def rank_ridge():
+    ridge.fit(X, Y)
+    coef = ridge.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+# Function to rank features using lasso
+def rank_lasso():
+    lasso.fit(X, Y)
+    coef = lasso.coef_
+    ranking = np.abs(coef)
+    ranking = min_max_scale(ranking)
+    return ranking
+
+# Function to rank features using lasso with bootstrap
+def rank_randomized_lasso():
+    n_features = X.shape[1]
+    scores = np.zeros(n_features)
+
+    for _ in range(n_bootstrap):
+        indices = np.random.choice(size, size=size, replace=True)
+        X_bootstrap = X[indices]
+        Y_bootstrap = Y[indices]
+
+        lasso.fit(X_bootstrap, Y_bootstrap)
+        scores += np.abs(lasso.coef_)
+
+    scores /= n_bootstrap
+    scores = min_max_scale(scores)
+    return scores
+
+
+# Function to scale scores to the range [0, 1]
+def min_max_scale(arr):
+    scaler = MinMaxScaler()
+    scaled = scaler.fit_transform(np.array(arr).reshape(-1, 1))
+    return scaled
+
+
+# Function to perform ranking and compute mean ranking
+def rank_features():
+    feature_rankings['Linear Regression'] = rank_lr()
+    feature_rankings['Ridge'] = rank_ridge()
+    feature_rankings['Lasso'] = rank_lasso()
+    feature_rankings['Randomized Lasso'] = rank_randomized_lasso()
+
+    # Mean ranking
+    mean_ranking = np.mean(list(feature_rankings.values()), axis=0)
+    feature_rankings['Mean Ranking'] = mean_ranking
+
+    # Get indices of the top 4 most important features
+    top_4_indices = np.argsort(mean_ranking)[-4:][::-1]
+
+    # Get feature names based on indices
+    top_4_feature_names = [f'Feature {i + 1}' for i in top_4_indices]
+
+    # Add X and Y values to the context
+    return {
+        'feature_rankings': feature_rankings,
+        'X_values': X[:, top_4_indices].tolist(),
+        'Y_values': Y.tolist(),
+        'top_4_feature_names': top_4_feature_names  # Add the most important features
+    }
+
+
+@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)

orlov_artem_lab_2/readme.md

@@ -0,0 +1,29 @@
+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.

orlov_artem_lab_2/templates/index.html

@@ -0,0 +1,83 @@
+<!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>
+        {% for method, ranking in feature_rankings.items() %}
+            <tr>
+                <td>{{ method }}</td>
+                {% for value in ranking[:2] %}
+                    <td>
+                        {% if value is iterable %}
+                            {% for item in value %}
+                                {{ item|round(2) }}{% if not loop.last %},{% endif %}
+                            {% endfor %}
+                        {% else %}
+                            {{ value|round(2) }}
+                        {% endif %}
+                    </td>
+                {% endfor %}
+            </tr>
+        {% endfor %}
+    </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>
+    <tr>
+        {% for col_num in range(4) %}
+            <th>Признак {{ col_num + 1 }}</th>
+        {% endfor %}
+    </tr>
+    {% for row in X_values %}
+        <tr>
+            {% for value in row %}
+                <td>
+                    {% if value is iterable %}
+                        {% for item in value %}
+                            {{ item|round(2) }}{% if not loop.last %},{% endif %}
+                        {% endfor %}
+                    {% else %}
+                        {{ value|round(2) }}
+                    {% endif %}
+                </td>
+            {% endfor %}
+        </tr>
+    {% endfor %}
+</table>
+
+<h2>Значения Y</h2>
+<table>
+    <tr>
+        <th>Y</th>
+    </tr>
+    {% for value in Y_values %}
+        <tr>
+            <td>{{ value|round(2) }}</td>
+        </tr>
+    {% endfor %}
+</table>
+</body>
+</html>