# Лабораторная работа №5

> Регрессия

### Как запустить лабораторную работу

1. Установить python, numpy, sklearn
2. Запустить команду `python main1.py` в корне проекта для запуска 1 части
3. Запустить команду `python main2.py` в корне проекта для запуска 2 части

### Использованные технологии

* Язык программирования `python`
* Библиотеки `numpy, sklearn`
* Среда разработки `PyCharm`

### Что делает программа?

Цель программы: на основе данных об автомобилях на вторичном рынке обучить модель регрессии на предсказание цены.

Используемая модель: Лассо-регрессия

#### Определим признаки

LINEAR [('Year', 1.0), ('Mileage', 0.4868), ('State', 0.0729), ('Vin', 0.015), ('City', 0.0037), ('Model', 0.0002), ('Make', 0.0)] 

RIDGE [('Year', 1.0), ('Mileage', 0.4868), ('State', 0.0729), ('Vin', 0.015), ('City', 0.0037), ('Model', 0.0002), ('Make', 0.0)] 

LASSO [('Year', 1.0), ('Mileage', 0.4868), ('State', 0.0729), ('Vin', 0.015), ('City', 0.0037), ('Model', 0.0002), ('Make', 0.0)] 

RFE [('Year', 1.0), ('State', 1.0), ('Mileage', 1.0), ('City', 0.5), ('Vin', 0.5), ('Model', 0.0), ('Make', 0.0)] 

f_regression [('Year', 1.0), ('State', 0.1438), ('Vin', 0.0878), ('City', 0.0845), ('Mileage', 0.0711), ('Model', 0.0335), ('Make', 0.0)] 

MEAN [('Year', 0.2), ('Mileage', 0.0974), ('State', 0.0146), ('Vin', 0.003), ('City', 0.0007), ('Model', 0.0), ('Make', 0.0)]

Отсечение признаков, у которых MEAN ниже 0.001. Выделенные признаки для дальнейшего обучения модели Lasso.

##### Запуск модели Lasso с параметрами

![main2.py](main2.png)

#### Итоговые выводы

Были выбраны основные признаки для обучения модели, которые имеют большее влияние на предсказание. 
Проведены несколько тестов по обучению модели Lasso с разными alpha (силой влияния регуляризации), 
но это не оказало большого влияния. Точность в 94.33% приемлемая.