arzamaskina_milana_lab_2 is ready

arzamaskina_milana_lab_2/README.md

@@ -0,0 +1,50 @@
+## Лабораторная работа №2
+
+### Ранжирование признаков
+
+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).
+
+Модели:
++ Линейная регрессия (LinearRegression)
++ Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
++ Сокращение признаков Случайными деревьями (Random Forest Regressor)
+
+### Какие технологии использовались:
+
+Используемые библиотеки:
+* numpy
+* pandas
+* sklearn
+
+### Как запустить:
+
+* установить python, numpy, pandas, sklearn
+* запустить проект (стартовая точка - main.py)
+
+### Что делает программа:
+
+* Генерирует данные и обучает модели: LinearRegression, Recursive Feature Elimination (RFE), Random Forest Regressor
+* Производится ранжирование признаков с помощью моделей
+* Отображение получившихся результатов: значения признаков для каждой модели и 4 самых важных признака по среднему значению
+
+### 4 самых важных признака по среднему значению
+* Признак №1 : 0.887
+* Признак №4 : 0.821
+* Признак №2 : 0.741
+* Признак №11 : 0.600
+
+#### Результаты работы программы:
+
+![Result1](img_result_1.png)
+![Result2](img_result_2.png)
+![Result3](img_result_3.png)
+![Result4](img_result_4.png)

arzamaskina_milana_lab_2/main.py

@@ -0,0 +1,84 @@
+import numpy as np
+import pandas as pd
+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)
+
+# Модели
+model_LR = LinearRegression()
+model_RFE = RFE(LinearRegression(), n_features_to_select=1)
+model_RFR = RandomForestRegressor()
+
+# Оценки моделей
+model_scores = {}
+
+# Cлучайные данные для регрессии
+def generation_data_and_start():
+    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))
+    X_[:, 10:] = X_[:, :4] + np.random.normal(0, .025, (size, 4))
+
+    # DataFrame для данных
+    data = pd.DataFrame(X_)
+    data['y'] = y_
+
+    models_study_and_scores(data.drop('y', axis=1), data['y'])
+    print_scores()
+
+# Обучение и оценка моделей
+def models_study_and_scores(X, y):
+
+    # Линейная регрессия
+    model_LR.fit(X, y)
+    # Нормализация коэффициентов признаков
+    norm_coef = MinMaxScaler().fit_transform(np.abs(model_LR.coef_).reshape(-1, 1))
+    model_scores["Линейная регрессия"] = norm_coef.flatten()
+
+    # Рекурсивное сокращение признаков
+    model_RFE.fit(X, y)
+    # Нормализация рангов
+    norm_rank = 1 - (model_RFE.ranking_ - 1) / (np.max(model_RFE.ranking_) - 1)
+    model_scores["Рекурсивное сокращение признаков"] = norm_rank
+
+    # Сокращение признаков Случайными деревьями
+    model_RFR.fit(X, y)
+    # Нормализация значений важности признаков
+    norm_imp = MinMaxScaler().fit_transform(model_RFR.feature_importances_.reshape(-1, 1))
+    model_scores["Сокращение признаков Случайными деревьями"] = norm_imp.flatten()
+
+# Вывод оценок
+def print_scores():
+    print()
+    print(f"---- Оценки признаков ----")
+    print()
+    for name, scores in model_scores.items():
+        print(f"{name}:")
+        for feature, score in enumerate(scores, start=1):
+            print(f"Признак №{feature}: {score:.3f}")
+        print(f"Средняя оценка признаков: {np.mean(scores):.3f}")
+        print()
+
+    # 4 наиболее важных признака по среднему значению
+    scores = np.mean(list(model_scores.values()), axis=0)
+    sorted_f = sorted(enumerate(scores, start=1), key=lambda x: x[1], reverse=True)
+    imp_features = sorted_f[:4]
+    print("Четыре наиболее важных признака:")
+    for f, score in imp_features:
+        print(f"Признак №{f}: {score:.3f}")
+
+generation_data_and_start()