### Вариант 9
### Задание на лабораторную работу:
Выполнить ранжирование признаков с помощью указанных по варианту моделей:
- Лассо (Lasso)
- Сокращение признаков Случайными деревьями (Random Forest Regressor)
- Линейная корреляция (f_regression)

### Как запустить лабораторную работу:
Выполняем файл gusev_vladislav_lab_2.py, в консоль будут выведены результаты.

### Технологии
NumPy - библиотека для работы с многомерными массивами. Sklearn - библиотека с большим количеством алгоритмов машинного обучения.

### По коду
В начале генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков, задаем функцию-выход: регрессионную проблему Фридмана, добавляем зависимость признаков

Далее создаем пустой словарь для хранения рангов признаков, используем методы из библиотеки Sklearn: Lasso, RandomForestRegressor и f_regression для задания по варианту.

Далее необходимо объявить функцию def rank_to_dict(ranks, names): для соотнесения нашего списка рангов и списка оценок по признакам. Возвращает он словарь типа (имя_признака: оценка_признака) и оценки приведены к единому диапазону от 0 до 1 и округлены до сотых.

В конце формируем среднее по каждому признаку, сортируем по убыванию и выводим на экран. 

Пример:

![img.png](img.png)

Признаки х4 и х14 имеют наивысшие ранги, что говорит об их наибольшей значимости для решения задачи

Далее x2 и x12 занимают второе место по значимости (средняя значимость)

х1, х11 ниже среднего

х5, х8, х7 низкая значимость

х9, х3, х13, х10, х6 очень низкая значимость