commit 1

istyukov_timofey_lab_2/lab2.py

@@ -0,0 +1,114 @@
+"""
+Используя код из пункта «Решение задачи ранжирования признаков»,
+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)
+"""
+
+# 12 вариант
+# Лассо (Lasso)
+# Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+# Линейная корреляция (f_regression)
+
+
+
+import numpy as np
+from sklearn.linear_model import Lasso, LinearRegression
+from sklearn.feature_selection import RFE
+from sklearn.feature_selection import f_regression
+from sklearn.preprocessing import MinMaxScaler
+
+
+
+def main():
+    X, Y = friedman_regression_problem(800)
+
+    ''' Создание и обучение моделей '''
+
+    # Лассо
+    lasso_model = Lasso(alpha=.05)
+    lasso_model.fit(X, Y)
+
+    # Рекурсивное сокращение признаков
+    lr = LinearRegression()
+    lr.fit(X, Y)
+    rfe_model = RFE(estimator=lr)
+    rfe_model.fit(X, Y)
+
+    # Линейная корреляция
+    f, p_val = f_regression(X, Y)
+
+    # список имён признаков
+    names = ["x%s" % i for i in range(1, 16)]
+
+    # словарь вызова функций моделей
+    ranks = {}
+    ranks["Lasso"] = rank_to_dict(lasso_model.coef_, names)
+    ranks["RFE"] = rank_to_dict(rfe_model.ranking_, names)
+    ranks["F_reg"] = rank_to_dict(f, names)
+
+    # вывод признаков и оценок каждой модели
+    print_sorted_model(ranks)
+
+    # пустой список данных
+    mean = {}
+
+    # Формирование среднего по каждому признаку
+    for key, value in ranks.items():
+        for item in value.items():
+            if item[0] not in mean: #если элемента с текущим ключём нет
+                mean[item[0]] = 0 #добавляем
+            mean[item[0]] += item[1] #суммируем значения по каждому ключу-имени признака
+
+    # Поиск среднего по каждому признаку
+    for key, value in mean.items():
+        res = value / len(ranks)
+        mean[key] = round(res, 2)
+
+    # Сортировка и распечатка списка
+    mean = sorted(mean.items(), key=lambda item: item[1], reverse=True)
+    print("\033[92mСредния значения по каждому признаку:\033[00m")
+    print(mean)
+
+
+
+# Генерация набора данных по регрессионной проблеме Фридмана
+def friedman_regression_problem(size):
+    # генерируем исходные данные: 800 строк-наблюдений и 15 столбцов-признаков
+    np.random.seed(0)
+    X = np.random.uniform(0, 1, (size, 15))
+    # Задание функции-выхода (регриссионную проблему Фридмана)
+    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)
+    # Добавление в зависимость признаков
+    X[:,11:] = X[:,:4] + np.random.normal(0, .025, (size, 4))
+    return X, Y
+
+
+# Функция формирования словаря пар "имя_признака: оценка признака"
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks) #получение абсолютных значений оценок
+    r_array = np.array(ranks) #создание массива списка оценок
+    r_array = r_array.reshape(15, 1) #переформирование строк и столбцов в массиве
+    minmax = MinMaxScaler()  # экземпляр для нормализации данных
+    ranks = minmax.fit_transform(r_array) #обучение и преобразование данных
+    ranks = ranks.ravel() #преобразование двумерного массива в одномерный
+    ranks = map(lambda x: round(x, 2), ranks) #округление каждого элемента массива до сотых
+    return dict(zip(names, ranks))
+
+
+# Функция вывода признаков моделей по убыванию значения оценки
+def print_sorted_model(ranks):
+    ranks_copy = dict(ranks)
+    for key, value in ranks_copy.items():
+        ranks_copy[key] = sorted(value.items(), key=lambda item: item[1], reverse=True)
+
+    for key, value in ranks_copy.items():
+        print("\033[92m---> {} <---\033[00m" .format(key))
+        print(value)
+        print()
+
+
+
+if __name__ == "__main__":
+    main()