27 lines
2.6 KiB
Markdown
27 lines
2.6 KiB
Markdown
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 важными по среднему значению? (Названия\индексы признаков и будут
|
||
ответом на задание).
|
||
|
||
13 вариант:
|
||
Рекурсивное сокращение признаков (Recursive Feature Elimination
|
||
– RFE), Сокращение признаков Случайными деревьями (Random Forest
|
||
Regressor), Линейная корреляция (f_regression)
|
||
|
||
Чтобы Запустить приложение нужно запустить файл app.py
|
||
|
||
|
||
Технологии:
|
||
|
||
Flask: Фреймворк для создания веб-приложений на языке Python.
|
||
scikit-learn: Библиотека для машинного обучения в Python.
|
||
NumPy: Библиотека для работы с массивами и матрицами в Python.
|
||
pandas: Библиотека для обработки и анализа данных в Python.
|
||
Описание работы программы:
|
||
Программа создает веб-приложение для ранжирования признаков в сгенерированных данных. Используются три метода: линейная регрессия, рекурсивное сокращение признаков (RFE), и случайные деревья. Данные генерируются, модели обучаются, и затем вычисляются оценки важности признаков. Результаты отображаются на веб-странице.
|
||
|
||
Входные данные:
|
||
|
||
Сгенерированные данные X (матрица признаков) и Y (вектор целевых значений).
|
||
Выходные данные:
|
||
|
||
Результаты ранжирования признаков для линейной регрессии, RFE, случайных деревьев и среднее значение.
|
||
Самые важные признаки. |