tepechin_kirill_lab_2

tepechin_kirill_lab_2/README.md

@@ -0,0 +1,27 @@
+## Лабораторная работа №2, ПИбд-42 Тепечин Кирилл, Вариант 26(6)
+
+### Задание
+
+#### Модели:
+* Гребневая регрессия (Ridge)
+* Сокращение признаков случайными деревьями (Random Forest Regressor)
+* Линейная корреляция (f_regression)
+
+### Как запустить лабораторную работу:
+
+Для запуска лабораторной работы необходимо запустить файл lab2.py
+
+### Используемые технологии:
+
+* Python 3.12
+* numpy
+* scikit-learn
+
+### Что делает лабораторная работа:
+
+Эта лабораторная работа генерирует данные, создает и обучает три модели по варианту, далее выполняется ранжирование признаков и отображение получившиеся оценки каждой
+признака каждой моделью и среднюю оценку. Также отображаются 4 самых важных признака.
+
+### Результат:
+![Результат](results.png)
+

tepechin_kirill_lab_2/lab2.py

@@ -0,0 +1,75 @@
+import numpy as np
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.feature_selection import f_regression
+from sklearn.linear_model import Ridge
+from sklearn.preprocessing import MinMaxScaler
+
+
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+
+# генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+# Задаем функцию-выход: регрессионную 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))
+# Добавляем зависимость признаков
+X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+
+
+# Гребневая регрессия
+ridge = Ridge(alpha=7)
+ridge.fit(X, Y)
+# Сокращение признаков случайными деревьями
+rf = RandomForestRegressor()
+rf.fit(X, Y)
+# Линейная корреляция
+f_values, _ = f_regression(X, Y)
+
+names = ["x%s" % i for i in range(1, 15)]
+
+ranks = dict()
+ranks["Гребневая регрессия"] = rank_to_dict(ridge.coef_, names)
+ranks["Сокращение признаков случайными деревьями"] = rank_to_dict(rf.feature_importances_, names)
+ranks["Линейная корреляция"] = rank_to_dict(f_values, names)
+
+# Создаем пустой список для данных
+mean = {}
+# «Бежим» по списку ranks
+for key, value in ranks.items():
+    for item in value.items():
+        if item[0] not in mean:
+            mean[item[0]] = 0
+        mean[item[0]] += item[1]
+for key, value in mean.items():
+    res = value / len(ranks)
+    mean[key] = round(res, 2)
+
+mean = sorted(mean.items(), key=lambda x: x[1], reverse=True)
+print("Средние оценки:")
+print(mean)
+print()
+
+for key, value in ranks.items():
+    ranks[key] = sorted(value.items(), key=lambda x: x[1], reverse=True)
+for key, value in ranks.items():
+    print(key)
+    print(value)
+
+print()
+
+print("Средние оценки:")
+print(mean[:4])
+
+for key, value in ranks.items():
+    print(f"Главные признаки для модели '{key}':")
+    print(value[:4])
+
+