# IIS_2023_1
<h4>Задание</h4>
<p>
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).
</p>
<p>
9.
<ul>
    <li>Лассо (Lasso)</li>
    <li>Сокращение признаков случайными деревьями (Random Forest Regressor) </li>
    <li>Линейная корреляция (f-regression)</li>
</ul>
</p>
<h4>Способок запуска программы</h4>
Запустить скрипт shadaev_anton_lab_2/main.py, после чего в консоль будут выведены результаты выполнения программы.
<h4>Стек технологий</h4>
<p>
    <ul>
        <li>NumPy - это библиотека Python, предоставляющая поддержку для больших, многомерных массивов и матриц, а также набор функций для их манипуляции и обработки.</li>
        <li>Sklearn - предоставляет ряд инструментов для моделирования данных, включая классификацию, регрессию, кластеризацию и уменьшение размерности. </li>
</ul>
</p>
<h4>Описание кода</h4>
<p>
В этом коде мы генерируем 500 наблюдений с 15 признаками. Затем создается словарь для хранения рангов признаков для каждого метода (Lasso, Random Forest, f_regression).

Функция calculate_ranks() используется для вычисления рангов признаков для каждого метода. Для этого она обучает модель (Lasso или Random Forest) на данных и затем возвращает словарь, где ключами являются имена признаков, а значениями - коэффициенты признаков модели.

Если используется метод f_regression, функция возвращает словарь с f-статистиками признаков.

Затем функция create_normalized_rank_dict() используется для нормализации рангов признаков. Она принимает ранги и имена признаков, приводит ранги к абсолютному значению, нормализует их с использованием MinMaxScaler из sklearn.preprocessing и возвращает словарь, где ключами являются имена признаков, а значениями - нормализованные ранги.

Наконец, код вычисляет среднее значение рангов для каждого признака, сортирует признаки по средним значениям рангов в порядке убывания и выводит признаки и их ранги.
</p>
<h6>Результат: </h6>
<img src="img.png">
<p>
<ul>
    <li>x4, x14 - высшая значимость</li>
    <li>x2, x12 - средняя значимость</li>
    <li>x1, x11 - значимость ниже среднего</li>
    <li>x5, x15 - низкая значимость</li>
    <li>x3, x6, x7, x8, x9, x10, x13 - очень низкая значимость</li>
</ul>
</p>