fix ingore

.gitignore

@@ -1,2 +1,2 @@
 # Specify filepatterns you want git to ignore.
-.idea/
+.idea

basharin_sevastyan_lab_2/main.py

@@ -1,60 +1,39 @@
-from random import randrange
 import numpy as np
-from matplotlib import pyplot as plt
-from matplotlib.colors import ListedColormap
-from sklearn import metrics
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import LinearRegression, LogisticRegression
-from sklearn.pipeline import make_pipeline
-from sklearn.preprocessing import StandardScaler, PolynomialFeatures
-from sklearn.datasets import make_circles
+from sklearn.linear_model import Ridge, LinearRegression
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.feature_selection import RFE
 
-rs = randrange(50)
-X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)  # Сгенерируем данные
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
-                                                    random_state=rs)  # Разделим данные на обучающий и тестовый наборы
+''' Задание
+Используя код из [1](пункт «Решение задачи ранжирования признаков», стр. 205), выполните ранжирование признаков с 
+помощью указанных по вариантумоделей. Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и
+среднюю  оценку. Проведите анализ получившихся результатов. Какие четырепризнака оказались самыми важными по среднему 
+значению? (Названия\индексы  признаков и будут ответом на задание).
 
-# Линейная модель
-linear_reg = LinearRegression()
-# Полиномиальная регрессия (со степенью 4)
-poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(random_state=rs))
-# Гребневая полиномиальная регрессия (со степенью 4 и alpha=1.0)
-ridge_poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(penalty='l2', C=1.0,
-                                                                                                  random_state=rs))
+Вариант 5.
+Гребневая регрессия (Ridge), Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE),
+Сокращение признаков Случайными деревьями (Random Forest Regressor).
+'''
 
+# создание данных
+rs = np.random.RandomState(2)
+X, y = make_regression(n_samples=750, n_features=15, noise=0.1, random_state=random_state)
+data = pd.DataFrame(X, columns=[f'Признак {i}' for i in range(X.shape[1])])
+data['Целевая переменная'] = y
+X = data.drop('Целевая переменная', axis=1)
+y = data['Целевая переменная']
 
-# Обучение моделей
-def mid_sq_n_det(name, model):
-    model.fit(X_train, y_train)
-    y_predict = model.predict(X_test)
-    print(f'Рассчёт среднеквадратичной ошибки для {name}: '
-          f'{np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)),3)}')  # Рассчёт среднеквадратичной ошибки модели
-    print(f'Рассчёт коэфициента детерминации для {name}: {np.round(metrics.r2_score(y_test, y_predict), 2)}')  # Рассчёт коэфициента детерминации модели
-    return name, model
+ridge = Ridge(alpha=1)  # Создаём модель гребневой регрессии и обучаем её
+ridge.fit(X, Y)
 
+recFE = RFE(LinearRegression(), n_features_to_select=1)  #
+recFE.fit(X, Y)
 
-# Графики
-models = [mid_sq_n_det("Линейная регрессия", linear_reg),
-          mid_sq_n_det("Полиномиальная регрессия (со степенью 4)", poly_reg),
-          mid_sq_n_det("Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)", ridge_poly_reg)]
+rfr = RandomForestRegressor()  # Создаём и обучаем регрессор случайного леса
+rfr.fit(X, Y)
 
-cmap_background = ListedColormap(['#FFAAAA', '#AAAAFF'])
-cmap_points = ListedColormap(['#FF0000', '#0000FF'])
+models = [('Гребневая регрессия', ridge),
+          ('RFE', recFE),
+          ('RFR', rfr)]
 
-plt.figure(figsize=(15, 4))
-for i, (name, model) in enumerate(models):
-    plt.subplot(1, 3, i + 1)
-    xx, yy = np.meshgrid(np.linspace(X[:, 0].min() - 1, X[:, 0].max() + 1, 100),
-                         np.linspace(X[:, 1].min() - 1, X[:, 1].max() + 1, 100))
-    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
-    Z = Z.reshape(xx.shape)
-    plt.contourf(xx, yy, Z, cmap=cmap_background, alpha=0.5)
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cmap_points, marker='o', label='Тестовые точки')
-    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cmap_points, marker='x', label='Обучающие точки')
-    plt.legend()
-    plt.title(name)
-    plt.text(0.5, -1.2, 'Красный класс', color='r', fontsize=12)
-    plt.text(0.5, -1.7, 'Синий класс', color='b', fontsize=12)
-
-plt.tight_layout()
-plt.show()
+for name, model in models:
+    pass