# Лабораторная работа №2
## ПИбд-42 Машкова Маргарита (Вариант 19)
## Задание
Выполнить  ранжирование  признаков  с  помощью  указанных  по варианту моделей.
Отобразить  получившиеся значения\оценки каждого признака  каждым  методом\моделью  и  среднюю  оценку.
Провести  анализ получившихся  результатов.  Какие четыре признака  оказались  самыми важными  по  среднему  значению?

### Модели:

> - Линейная регрессия (LinearRegression)
> - Гребневая регрессия (Ridge)
> - Лассо (Lasso)
> - Случайное Лассо (RandomizedLasso)


> **Note**
> 
> Модель `RandomizedLasso` была признана устаревшей в scikit-learn 0.19 и удалена в 0.21.
Вместо нее будет использоваться регрессор случайного леса `RandomForestRegressor`.


## Запуск программы
Для запуска программы необходимо запустить файл main.py

## Используемые технологии
> **Язык программирования:** python
> 
> **Библиотеки:**
> - `numpy` - используется для работы с массивами.
> - `sklearn` - предоставляет широкий спектр инструментов для машинного обучения, статистики и анализа данных.
## Описание работы программы

Для начала необходимо сгенерировать исходные данные (Х) - 750 строк-наблюдений и 14 столбцов-признаков.
Затем задать функцию-выход (Y): регрессионную проблему Фридмана, когда на вход моделей подается 14 факторов, 
выход рассчитывается по формуле, использующей только пять факторов, но факторы 11-14 зависят от факторов 1-4.
Соотвественно, далее добавляется зависимость для признаков (факторов) х11, х12, х13, х14 от х1, х2, х3, х4.

Далее создаются модели, указанные в варианте задания, и выполняется их обучение.

После чего в единый массив размера 4×14 (количество_моделей и количество_признаков) выгружаются все оценки
моделей по признакам. Находятся средние оценки и выводится результат в формате списка пар `{номер_признака – средняя_оценка}`,
отсортированном по убыванию. Оценки признаков получаются через поле `coef_` у моделей LinearRegression, Ridge и Lasso.
У модели RandomForestRegressor - через поле `feature_importances_`.
Для удобства отображения данных оценки помещаются в конструкцию вида:
`[имя_модели : [{имя_признака : оценка},{имя_признака : оценка}...]]`.
Таким образом, получаем словарь, в котором располагаются 4 записи из четырнадцати пар каждая.
Ключом является имя модели.

## Тесты

### Оценки важности признаков моделями
![Оценки важности признаков моделями](ranks.png)
### Оценки важности признаков моделями, отсортированные по убыванию
![Оценки важности признаков моделями, отсортированные по убыванию](ranks_sorted.png)
### Средние оценки важности признаков
![Средние оценки важности признаков](means.png)
 
**Вывод:** основываясь на средних оценках, четырьмя наиболее важными празнаками оказались: 
`x4 (0.86), x1 (0.8), x2 (0.73), x14 (0.51)`.
Все модели оценили как наиболее важные признаки  x1, x2, x4, и четвертым важным признаком выбрали зависимые признаки:
LinearRegression - х11, Ridge - х14, RandomForestRegressor - х14. Модель Lasso включила также независимый признак - х5.