IIS_2023_1/orlov_artem_lab_2

Общее задание: 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 45 важными по среднему значению? (Названия\индексы признаков и будут ответом на задание).

Вариант 19: Линейная регрессия (LinearRegression), Гребневая регрессия (Ridge), Лассо (Lasso), Случайное Лассо (RandomizedLasso)

Запуск приложения: запуск файла app.py

Использованные технологии: Flask: Веб-фреймворк для Python, используемый для создания веб-приложения. scikit-learn (sklearn): Библиотека машинного обучения для Python. В коде используются модели линейной регрессии (LinearRegression), гребневой регрессии (Ridge), лассо (Lasso), а также Случайное Лассо (RandomizedLasso). NumPy: Библиотека для работы с многомерными массивами и математическими функциями в Python. Pandas: Библиотека для обработки и анализа данных в Python. MinMaxScaler: Инструмент из scikit-learn для масштабирования данных в интервал [0, 1].

Краткое описание работы программы: Генерируются случайные данные X и Y. Создаются и обучаются модели линейной регрессии, гребневой регрессии и случайного Лассо. Реализованы функции для ранжирования признаков с использованием различных моделей. Веб-приложение на Flask отображает результаты ранжирования признаков, средние оценки и важные признаки.

Пример входных данных: Генерированные случайные данные X (матрица признаков) и Y (вектор целевой переменной).

Пример выходных данных: Веб-страница с результатами ранжирования признаков, средними оценками и списком самых важных признаков.