From 6298d561f877f84da8bc5e82238ecc6a050a9178 Mon Sep 17 00:00:00 2001
From: UrOldFriendSoul <kutygin.andrey@gmail.com>
Date: Mon, 13 Nov 2023 20:34:13 +0400
Subject: [PATCH] kutygin_andrey_lab_2_ready

---
 kutygin_andrey_lab_2/README.md | 71 ++++++++++++++++++++++++++++++++++
 kutygin_andrey_lab_2/lab2.py   | 42 ++++++++++++++++++++
 2 files changed, 113 insertions(+)
 create mode 100644 kutygin_andrey_lab_2/README.md
 create mode 100644 kutygin_andrey_lab_2/lab2.py

diff --git a/kutygin_andrey_lab_2/README.md b/kutygin_andrey_lab_2/README.md
new file mode 100644
index 0000000..c613c9f
--- /dev/null
+++ b/kutygin_andrey_lab_2/README.md
@@ -0,0 +1,71 @@
+**Задание**
+***
+Используя код из пункта «Решение задачи ранжирования признаков», выполните ранжирование признаков с помощью указанных по варианту моделей. Отобразите получившиеся оценки каждого признака каждой 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).
+
+**Вариант 16:**
+
+Линейная регрессия (LinearRegression)
+
+Случайное Лассо (RandomizedLasso)
+
+Линейная корреляция (f_regression)
+
+
+**Как запустить лабораторную**
+***
+Запустить файл main.py
+
+**Используемые технологии**
+***
+Библиотеки numpy, scikit-learn, их компоненты
+
+**Описание лабораторной (программы)**
+***
+Этот код демонстрирует, как выполнить ранжирование признаков в задаче регрессии с использованием моделей Linear Regression и Random Forest Regression, а также метода f_regression. 
+
+Первым этапом является создание случайных данных с помощью функции make_regression. Затем мы обучаем модель Linear Regression на этих данных и сохраняем оценки весов признаков. То же самое мы делаем и с моделью Random Forest Regression, сохраняя значения "важности" признаков, полученные от этой модели. Кроме того, мы применяем метод f_regression для получения оценок важности каждого признака.
+
+Далее мы вычисляем среднее значение оценок признаков от трех методов / моделей. Затем мы выводим все оценки важности признаков. 
+
+В конце кода мы выбираем четыре наиболее важных признака на основе средних оценок и выводим их значения. 
+
+Важность признака определяется по его оценке/значению, где более высокие значения указывают на бОльшую важность. Очевидно, что самые важные признаки будут те, у которых оценки/значения выше всего.
+**Результат**
+***
+В результате получаем следующее:
+
+Признак 0: 0.8672604223819891
+
+Признак 1: 0.7708510602186707
+
+Признак 2: 0.03116023013554309
+
+Признак 3: 0.6998726361290992
+
+Признак 4: 1.0
+
+Признак 5: 0.08986896281166205
+
+Признак 6: 0.669155851030746
+
+Признак 7: 0.1410044322180913
+
+Признак 8: 0.043892111747763814
+
+Признак 9: 0.5011547461825057
+
+4 Наиболее значимых признака:
+
+Признак 3: 0.6998726361290992
+
+Признак 1: 0.7708510602186707
+
+Признак 0: 0.8672604223819891
+
+Признак 4: 1.0
+
+Вывод: Исходя из выполненного кода, мы получили оценки важности признаков для задачи регрессии с использованием моделей Linear Regression, Random Forest Regression и метода f_regression.
+
+Наиболее важные признаки, определенные на основе средних оценок, оказались: признак 1, признак 6, признак 0 и признак 4.
+
+Эти признаки имеют наибольшее влияние на результат задачи регрессии и следует обратить на них особое внимание при анализе данных и принятии решений.
\ No newline at end of file
diff --git a/kutygin_andrey_lab_2/lab2.py b/kutygin_andrey_lab_2/lab2.py
new file mode 100644
index 0000000..c2a5489
--- /dev/null
+++ b/kutygin_andrey_lab_2/lab2.py
@@ -0,0 +1,42 @@
+import numpy as np
+from sklearn.datasets import make_regression
+from sklearn.linear_model import LinearRegression
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.feature_selection import f_regression
+from sklearn.preprocessing import MinMaxScaler
+
+# Создание случайных данных
+X, y = make_regression(n_samples=100, n_features=10, random_state=42)
+
+# Масштабирование признаков
+scaler = MinMaxScaler()
+X_scaled = scaler.fit_transform(X)
+
+# Ранжирование признаков с помощью Linear Regression
+linreg = LinearRegression()
+linreg.fit(X_scaled, y)
+linreg_scores = np.abs(linreg.coef_)
+
+# Ранжирование признаков с помощью Random Forest Regression
+rfreg = RandomForestRegressor()
+rfreg.fit(X_scaled, y)
+rfreg_scores = rfreg.feature_importances_
+
+# Ранжирование признаков с помощью f_regression
+freg_scores, _ = f_regression(X_scaled, y)
+
+# Вычисление средней оценки
+avg_scores = np.mean([linreg_scores, rfreg_scores, freg_scores], axis=0)
+
+# Масштабирование score в интервал от 0 до 1
+scaled_scores = avg_scores / np.max(avg_scores)
+
+# Вывод результатов
+for i, score in enumerate(scaled_scores):
+    print(f"Признак {i}: {score}")
+
+# Получение индексов четырех наиболее важных признаков
+top_features_indices = np.argsort(scaled_scores)[-4:]
+print("4 Наиболее значимых признака:")
+for idx in top_features_indices:
+    print(f"Признак {idx}: {scaled_scores[idx]}")
-- 
2.25.1