# Лабораторная работа №2. Работа с типовыми наборами данных и различными моделями
## 6 вариант
### Задание:
Используя код из источника (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).

* Гребневая регрессия (Ridge)
* Сокращение признаков
Случайными деревьями (Random Forest Regressor)
* Линейная корреляция (f_regression)


### Как запустить лабораторную
1. Запустить файл main.py

### Используемые технологии
1. Библиотека numpy
2. Библиотека scikit-learn
3. Python
4. IDE PyCharm

### Описание лабораторной работы

Программа выполняет ранжирование признаков в задаче регрессии. Сначала происходит генерация исходных данных с использованием 14 признаков X
Задается функция-выход: регрессионная проблема Фридмана. Добавляется зависимость признаков, после чего используются модели по варианту. Результаты обработки 
сохраняются в словаре ranks, после чего сортируются и выводятся в консоль.

### Результат
Программа выводит в консоль следующие данные:
* Ridge
[('x4', 1.0), ('x14', 0.92), ('x1', 0.76), ('x2', 0.75), ('x12', 0.67), ('x5', 0.61), ('x11', 0.59), ('x6', 0.08), ('x8', 0.08), ('x3', 0.06), ('x7', 0.03), ('x10', 0.01), ('x9', 0.0), ('x13', 0.0)]
* Random Forest
[('x14', 1.0), ('x2', 0.76), ('x1', 0.66), ('x4', 0.55), ('x11', 0.29), ('x12', 0.28), ('x5', 0.23), ('x3', 0.1), ('x13', 0.09), ('x7', 0.01), ('x6', 0.0), ('x8', 0.0), ('x9', 0.0), ('x10', 0.0)]
* Linear Correlation 
[('x4', 1.0), ('x14', 0.98), ('x2', 0.45), ('x12', 0.44), ('x1', 0.3), ('x11', 0.29), ('x5', 0.04), ('x8', 0.02), ('x7', 0.01), ('x9', 0.01), ('x3', 0.0), ('x6', 0.0), ('x10', 0.0), ('x13', 0.0)]

1. x4: 1.0
2. x14: 0.92
3. x1: 0.76
4. x2: 0.75
5. x12: 0.67
6. x5: 0.61
7. x11: 0.59
8. x6: 0.08
9. x8: 0.08
10. x3: 0.06
11. x7: 0.03
12. x10: 0.01
13. x9: 0.0
14. x13: 0.0

В результате работы программы видно, что наиболее важными признаками оказались x4 и x14, другие оказались намного менее важными. Стоит отметить, что случайные деревья оказали существенно отличающийся результат, в сравнении с гребневой регрессией и линейной корреляцией.