# Лабораторная работа №2. Ранжирование признаков
## 14 вариант
___

### Задание:
Используя код из [1](пункт «Решение задачи ранжирования признаков», стр.  205),  выполните  ранжирование  признаков  с  помощью  указанных  по варианту моделей.  Отобразите  получившиеся  значения\оценки  каждого признака  каждым  методом\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).

### Модели по варианту:
- Случайное Лассо (RandomizedLasso)
- Сокращение признаков cлучайными деревьями (Random Forest Regressor)
- Линейная корреляция (f_regression)

___

### Запуск
- Запустить файл lab2.py

### Используемые технологии
- Язык программирования **Python**
- Среда разработки **PyCharm**
- Библиотеки:
    * sklearn 
    * matplotlib
    * numpy

### Описание программы
1. Импортирует необходимые модули и классы:
    - RandomForestRegressor из sklearn.ensemble для создания модели случайного леса регрессии;
    - RandomizedLasso из RandomizedLasso для создания модели случайного Лассо (метода регуляризации линейной регрессии);
    - f_regression из sklearn.feature_selection для выполнения линейной корреляции между признаками и целевой переменной;
    - MinMaxScaler из sklearn.preprocessing для масштабирования оценок признаков к диапазону [0, 1];
    - numpy для работы с массивами данных.

2. Определяет функцию generation_data, которая генерирует случайные данные для обучения модели. Для простоты, будут использованы заранее определенные случайные значения.

3. Определяет функцию rank_to_dict, которая принимает ранговые оценки признаков и преобразует их в словарь с нормализованными значениями от 0 до 1.

4. Определяет функцию get_estimation, которая вычисляет среднюю оценку по всем моделям и выводит отсортированный список признаков по убыванию оценки.

5. Определяет функцию print_sorted_data, которая выводит отсортированные оценки признаков для каждой модели.

6. Определяет функцию main, которая объединяет все шаги: генерацию данных, обучение моделей, расчет оценок признаков и вывод результатов.

7. Вызывает функцию main для выполнения программы.

___
### Пример работы

![Graphics](results.png)


### Вывод
На основе результатов можно сделать следующие выводы:

1. Признаки x4, x2, x14 и x1 являются самыми важными. Их средние оценки по всем моделям составляют 0.82, 0.8, 0.66 и 0.56 соответственно.

2. В модели случайного леса регрессии наиболее значимыми признаками являются x14, x2, x4 и x1. Они имеют оценки 1.0, 0.84, 0.77 и 0.74 соответственно.

3. По результатам линейной корреляции (f-регрессия), самыми важными признаками также являются x4, x14, x2 и x12 с оценками 1.0, 0.97, 0.57 и 0.56 соответственно.

4. В модели случайного Лассо наиболее значимыми признаками являются x2, x4, x1 и x5. Их оценки составляют 1.0, 0.69, 0.49 и 0.44 соответственно.

Таким образом, можно сделать вывод, что признаки x4, x2, x14 и x1 являются наиболее значимыми для всех моделей.