**Задание**
***
Используя код из пункта «Решение задачи ранжирования признаков», выполните ранжирование признаков с помощью указанных по варианту моделей. Отобразите получившиеся оценки каждого признака каждой 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).

**Вариант 16:**

Линейная регрессия (LinearRegression)

Случайное Лассо (RandomizedLasso)

Линейная корреляция (f_regression)


**Как запустить лабораторную**
***
Запустить файл main.py

**Используемые технологии**
***
Библиотеки numpy, scikit-learn, их компоненты

**Описание лабораторной (программы)**
***
Этот код демонстрирует, как выполнить ранжирование признаков в задаче регрессии с использованием моделей Linear Regression и Random Forest Regression, а также метода f_regression. 

Первым этапом является создание случайных данных с помощью функции make_regression. Затем мы обучаем модель Linear Regression на этих данных и сохраняем оценки весов признаков. То же самое мы делаем и с моделью Random Forest Regression, сохраняя значения "важности" признаков, полученные от этой модели. Кроме того, мы применяем метод f_regression для получения оценок важности каждого признака.

Далее мы вычисляем среднее значение оценок признаков от трех методов / моделей. Затем мы выводим все оценки важности признаков. 

В конце кода мы выбираем четыре наиболее важных признака на основе средних оценок и выводим их значения. 

Важность признака определяется по его оценке/значению, где более высокие значения указывают на бОльшую важность. Очевидно, что самые важные признаки будут те, у которых оценки/значения выше всего.
**Результат**
***
В результате получаем следующее:

Признак 0: 0.8672604223819891

Признак 1: 0.7708510602186707

Признак 2: 0.03116023013554309

Признак 3: 0.6998726361290992

Признак 4: 1.0

Признак 5: 0.08986896281166205

Признак 6: 0.669155851030746

Признак 7: 0.1410044322180913

Признак 8: 0.043892111747763814

Признак 9: 0.5011547461825057

4 Наиболее значимых признака:

Признак 3: 0.6998726361290992

Признак 1: 0.7708510602186707

Признак 0: 0.8672604223819891

Признак 4: 1.0

Вывод: Исходя из выполненного кода, мы получили оценки важности признаков для задачи регрессии с использованием моделей Linear Regression, Random Forest Regression и метода f_regression.

Наиболее важные признаки, определенные на основе средних оценок, оказались: признак 1, признак 6, признак 0 и признак 4.

Эти признаки имеют наибольшее влияние на результат задачи регрессии и следует обратить на них особое внимание при анализе данных и принятии решений.