| .. | ||
| lab2.py | ||
| README.md | ||
Лабораторная работа 2. Ранжирование признаков
Вариант № 18
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).
Модели:
- Лассо (Lasso)
- Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
- Линейная корреляция (f_regression)
Как запустить лабораторную работу:
Чтобы запустить программу, открываем файл lab2 в PyCharm и нажимаем на зеленый треугольник в правом верхнем углу.
Использованные технологии:
Scikit-learn - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
NumPy — это фундаментальный пакет для научных вычислений на Python.
Pandas — это библиотека с открытым исходным кодом, предоставляющая высокопроизводительные, простые в использовании структуры данных и инструменты анализа данных для языка программирования Python.
Operator — предоставляет функции для встроенных операторов и функции для создания вызываемых объектов, которые извлекают элементы, атрибуты и методы вызова.
Что делает ЛР:
В данной работе анализируется работа нескольких моделей, способных оценить важность признаков в регрессионной проблеме Фридмана. Генерируются исходные данные, в которых признаки x1-x5 являются влиятельными, а признаки x11-x14 зависимыми от других признаков. Далее три модели (по варианту) ранжируют признаки по их значимости.
Результатом работы программы являются: вывод оценок важности признаков по моделям и вывод средних оценок важности признаков (в консоли).
Пример выходных данных:
Вывод в консоли:
Вывод: Модель Лассо отобрала признаки x1-x5 (кроме x3) как значимые параметры, а оценки всех остальных признаков приравняла к нулю. Ранжирование получилось весьма точным (включился бы x3 - было бы совсем точно), а зависимые признаки не были отмечены важными ни в какой степени.
Модель Рекурсивного сокращения признаков сработала лучше Лассо: влиятельные признаки (x1-x5) и 2 из 4 зависимых признаков (x11 и x13) - обозначила точно значимыми. Оставшиеся зависимые признаки (x12 и x14) оценила чуть менее, но важными.
Модель Линейной корреляции из значимых (x1-x5) выделила важным только x4, признаки x1 и x2 слабо важными, а x5 и x3 незначимыми. Среди зависимых признаков (x11-x14) важным оказался x14.
Cамыми важными признаками по среднему значению оказались: x4, x2, x1, x5.