romanova_adelina_lab_2/README.md

@@ -0,0 +1,109 @@
+# Лабораторная работа №2. Вариант 21
+
+## Тема: 
+Ранжирование признаков
+
+## Модели: 
+
+- LinearRegression
+- RandomizedLasso
+- Recursive Feature Elimination (RFE)
+
+## Как запустить программу:
+Установить *python, numpy, matplotlib, sklearn*
+```
+python main.py --top_k=6
+```
+
+## Какие технологии использовались:
+Язык программирования Python, библиотеки numpy, matplotlib, sklearn
+
+Среда разработки VSCode
+
+# Что делает лабораторная работа:
+Генерирует данные и обучает такие модели, как: ```LinearRegression, RandomizedLasso, Recursive Feature Elimination (RFE)```
+
+Производиться ранжирование признаков с помощью моделей ```LinearRegression, RandomizedLasso, Recursive Feature Elimination (RFE)```
+
+Отображение получившихся результатов: top_k самых важных признака по среднему значению, значения признаков для каждой модели
+
+Функция ```get_arguments()``` использует модуль argparse для обработки аргументов командной строки. В данном случае, скрипт ожидает аргумент --top_k, который по умолчанию установлен в 4.
+
+```
+def get_arguments():
+    parser = argparse.ArgumentParser()
+
+    parser.add_argument('--top_k', type=int, default=4, help='Кол-во самых выжных признаков')
+
+    args = parser.parse_args()
+    return args
+```
+
+Функция ```data_gen()``` генерирует искусственные данные для регрессионной задачи. Здесь используется функция Фридмана для создания зависимости целевой переменной Y от признаков X.
+
+```
+def data_gen():
+    # --- 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))
+
+    return X, Y
+```
+
+Функция ```rank_to_dict()```, которая преобразует ранги признаков в словарь, нормализуя их значения от 0 до 1.
+```
+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)) 
+```
+
+Функция ```print_sorted_data()``` печатает отсортированные оценки признаков.
+
+Функцию ```estimation()``` вычисляет средние оценки признаков на основе данных о рангах.
+
+В блоке ```if __name__=="__main__":``` сначала получает аргументы командной строки, затем генерирует данные, обучает линейную регрессию, применяет рекурсивное сокращение признаков и случайное Лассо, а затем оценивает и выводит наиболее важные признаки с использованием средних оценок.
+
+### Линейная регрессия (Linear Regression)
+
+Это простой метод машинного обучения, который используется для прогнозирования непрерывной переменной на основе одной или нескольких других переменных. В нашем случае линейная регрессия используется для обучения модели на данных, а затем коэффициенты модели используются для ранжирования важности признаков 
+
+### Рекурсивное сокращение признаков (RFE)
+
+Это метод выбора признаков, который работает путем итеративного удаления признаков и переобучения модели, чтобы определить, какие признаки наиболее важны для предсказания. В коде RFE используется для обучения модели на данных, а затем ранжирование признаков модели используется для ранжирования важности признаков 
+
+### Случайное Лассо (Randomized Lasso)
+
+Это метод регуляризации, который добавляет штраф к коэффициентам модели в зависимости от их величины. Это делается для предотвращения переобучения модели. В коде случайное Лассо используется для обучения модели на данных, а затем коэффициенты модели используются для ранжирования важности признаков 
+
+
+## Оценка работы моделей
+
+```
+{'x1': 0.33, 'x4': 0.23, 'x2': 0.2, 'x11': 0.2, 'x3': 0.17, 'x13': 0.16, 'x5': 0.06, 'x12': 0.06, 'x14': 0.04, 'x6': 0.01, 'x8': 0.01, 'x7': 0.0, 'x9': 0.0, 'x10': 0.0}
+---------------------------------------------------------------------------
+Параметр - x1, значение - 0.33
+Параметр - x4, значение - 0.23
+Параметр - x2, значение - 0.2
+Параметр - x11, значение - 0.2
+---------------------------------------------------------------------------
+
+Linear reg
+[('x1', 1.0), ('x4', 0.69), ('x2', 0.61), ('x11', 0.59), ('x3', 0.51), ('x13', 0.48), ('x5', 0.19), ('x12', 0.19), ('x14', 0.12), ('x8', 0.03), ('x6', 0.02), ('x10', 0.01), ('x7', 0.0), ('x9', 0.0)]
+RFE
+[('x9', 1.0), ('x7', 0.86), ('x10', 0.71), ('x6', 0.57), ('x8', 0.43), ('x14', 0.29), ('x12', 0.14), ('x1', 0.0), ('x2', 0.0), ('x3', 0.0), ('x4', 0.0), ('x5', 0.0), ('x11', 0.0), ('x13', 0.0)]
+RandomizedLasso
+[('x4', 1.0), ('x2', 0.37), ('x1', 0.36), ('x5', 0.32), ('x6', 0.02), ('x8', 0.02), ('x3', 0.01), ('x7', 0.0), ('x9', 0.0), ('x10', 0.0), ('x11', 0.0), ('x12', 0.0), ('x13', 0.0), ('x14', 0.0)]
+```
+
+Хуже всех показала себя модель случайного Лассо, потеряв три значимые признака и добавив один лишний. Модели линейной регрессии и RFE допустили по одной ошибке, однако последняя не потеряла ни одного значимого признака. Значимость в среднем получилась неудовлетворительной и выдала три ошибки, как и первая модель.
+
+Исходя из этого, можно сделать вывод, что для ранжирования признаков лучше использовать специально созданные для этого инструменты по типу RFE, а не использовать коэффициенты признаков регрессионных моделей.

romanova_adelina_lab_2/RandomizedLass.py

@@ -0,0 +1,76 @@
+from sklearn.utils import check_X_y, check_random_state
+from sklearn.linear_model import Lasso
+from scipy.sparse import issparse
+from scipy import sparse
+
+
+def _rescale_data(x, weights):
+    if issparse(x):
+        size = weights.shape[0]
+        weight_dia = sparse.dia_matrix((1 - weights, 0), (size, size))
+        x_rescaled = x * weight_dia
+    else:
+        x_rescaled = x * (1 - weights)
+
+    return x_rescaled
+
+
+class RandomizedLasso(Lasso):
+    """
+    Randomized version of scikit-learns Lasso class.
+
+    Randomized LASSO is a generalization of the LASSO. The LASSO penalises
+    the absolute value of the coefficients with a penalty term proportional
+    to `alpha`, but the randomized LASSO changes the penalty to a randomly
+    chosen value in the range `[alpha, alpha/weakness]`.
+
+    Parameters
+    ----------
+    weakness : float
+        Weakness value for randomized LASSO. Must be in (0, 1].
+
+    See also
+    --------
+    sklearn.linear_model.LogisticRegression : learns logistic regression models
+    using the same algorithm.
+    """
+    def __init__(self, weakness=0.5, alpha=1.0, fit_intercept=True,
+                 precompute=False, copy_X=True, max_iter=1000,
+                 tol=1e-4, warm_start=False, positive=False,
+                 random_state=None, selection='cyclic'):
+        self.weakness = weakness
+        super(RandomizedLasso, self).__init__(
+            alpha=alpha, fit_intercept=fit_intercept, precompute=precompute, copy_X=copy_X,
+            max_iter=max_iter, tol=tol, warm_start=warm_start,
+            positive=positive, random_state=random_state,
+            selection=selection)
+
+    def fit(self, X, y):
+        """Fit the model according to the given training data.
+
+        Parameters
+        ----------
+        X : {array-like, sparse matrix}, shape = [n_samples, n_features]
+            The training input samples.
+
+        y : array-like, shape = [n_samples]
+            The target values.
+        """
+        if not isinstance(self.weakness, float) or not (0.0 < self.weakness <= 1.0):
+            raise ValueError('weakness should be a float in (0, 1], got %s' % self.weakness)
+
+        X, y = check_X_y(X, y, accept_sparse=True)
+
+        n_features = X.shape[1]
+        weakness = 1. - self.weakness
+        random_state = check_random_state(self.random_state)
+
+        weights = weakness * random_state.randint(0, 1 + 1, size=(n_features,))
+
+        # TODO: I am afraid this will do double normalization if set to true
+        #X, y, _, _ = _preprocess_data(X, y, self.fit_intercept, normalize=self.normalize, copy=False,
+        #             sample_weight=None, return_mean=False)
+
+        # TODO: Check if this is a problem if it happens before standardization
+        X_rescaled = _rescale_data(X, weights)
+        return super(RandomizedLasso, self).fit(X_rescaled, y)

romanova_adelina_lab_2/main.py

@@ -0,0 +1,106 @@
+from RandomizedLass import RandomizedLasso
+import argparse
+
+from sklearn.linear_model import LinearRegression, Ridge, Lasso
+from sklearn.feature_selection import RFE
+
+from sklearn.preprocessing import MinMaxScaler
+import numpy as np
+
+def get_arguments():
+    parser = argparse.ArgumentParser()
+
+    parser.add_argument('--top_k', type=int, default=4, help='Кол-во самых выжных признаков')
+
+    args = parser.parse_args()
+    return args
+
+
+def data_gen():
+    # --- 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))
+
+    return X, Y
+
+
+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)) 
+
+
+def print_sorted_data(ranks: dict):
+    print()
+    for key, value in ranks.items():
+        ranks[key] = sorted(value.items(), key=lambda item: item[1], reverse=True)
+    for key, value in ranks.items():
+        print(key)
+        print(value)
+
+
+def estimation(ranks: dict, top_k):
+    #Создаем пустой список для данных
+    mean = {}
+    #«Бежим» по списку ranks
+    for key, value in ranks.items():
+        #«Пробегаемся» по списку значений ranks, которые являются парой имя:оценка
+        for item in value.items():
+            #имя будет ключом для нашего mean
+            #если элемента с текущим ключем в mean нет - добавляем
+            if (item[0] not in mean):
+                mean[item[0]] = 0
+                #суммируем значения по каждому ключу-имени признака
+                mean[item[0]] += item[1]
+
+    #находим среднее по каждому признаку
+    for key, value in mean.items():
+        res=value/len(ranks)
+        mean[key] = round(res, 2)
+
+    #сортируем и распечатываем список
+    mean_sorted = dict(sorted(mean.items(), key=lambda x:x[1], reverse=True))
+    print("sorted MEAN")
+    print(mean_sorted, '---'*25, sep='\n') 
+
+    for item in list(mean_sorted.items())[:top_k]:
+        print(f'Параметр - {item[0]}, значение - {item[1]}')
+    print('---'*25)
+
+
+if __name__=="__main__":
+    args = get_arguments()
+
+    X,Y = data_gen()
+
+    # Линейная модель
+    lr = LinearRegression()
+    lr.fit(X, Y)
+
+    # Рекурсивное сокращение признаков
+    rfe = RFE(lr)
+    rfe.fit(X, Y)
+
+    # Случайное Лассо
+    randomized_lasso = RandomizedLasso(alpha=.01)
+    randomized_lasso.fit(X, Y)
+
+    names = ["x%s" % i for i in range(1,15)] 
+    
+    ranks = {}
+
+    ranks["Linear reg"] = rank_to_dict(lr.coef_, names)
+    ranks["RFE"] = rank_to_dict(rfe.ranking_, names)
+    ranks["RandomizedLasso"] = rank_to_dict(randomized_lasso.coef_, names) 
+
+    estimation(ranks, args.top_k)
+    
+    print_sorted_data(ranks)

romanova_adelina_lab_2/req.txt

@@ -0,0 +1,17 @@
+contourpy==1.2.0
+cycler==0.12.1
+fonttools==4.45.1
+importlib-resources==6.1.1
+joblib==1.3.2
+kiwisolver==1.4.5
+matplotlib==3.8.2
+numpy==1.26.2
+packaging==23.2
+Pillow==10.1.0
+pyparsing==3.1.1
+python-dateutil==2.8.2
+scikit-learn==1.3.2
+scipy==1.11.4
+six==1.16.0
+threadpoolctl==3.2.0
+zipp==3.17.0