Лаб 2
Ранжирование признаков
Используя код из (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).
Вариант 3
Данные: make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
Запуск
Выполнением скрипта файла (вывод в консоль + рисует графики).
Модели:
- Линейная регрессия
- Полиномиальная регрессия (со степенью 3)
- Гребневая полиномиальная регрессия (со степенью 3, alpha = 1.0)
Графики
Линейная регрессия: Линейная регрессия предполагает линейную зависимость между признаками и целевой переменной. Это хорошо работает, когда взаимосвязь линейна, а шум в наборе данных минимален. Лучше всего сработала на наборе лун. Хуже всего на кругах. На линейном наборе показала себя на равне с остальными.
Полиномиальная и гребневая показали примерно одинаково на всех наборах.
Полиномиальная регрессия (степень=3): Полиномиальная регрессия обеспечивает более гибкую подгонку за счет полинома более высокого порядка(кубическая кривая). Она может выявить более сложные взаимосвязи между объектами и целевой переменной. Она может сработать лучше, чем линейная регрессия, если истинная взаимосвязь нелинейна.
Гребневая регрессия (степень= 3, альфа=1,0): В случае полиномиальной регрессии с регуляризацией (альфа=1,0) модель добавляет коэффициент регуляризации для управления сложностью обучения. Регуляризация помогает предотвратить переобучение, когда набор данных содержит шум или когда он ограничен.











