114 lines
5.1 KiB
Python
114 lines
5.1 KiB
Python
"""
|
||
Используя код из пункта «Решение задачи ранжирования признаков»,
|
||
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)
|
||
"""
|
||
|
||
# 12 вариант
|
||
# Лассо (Lasso)
|
||
# Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
|
||
# Линейная корреляция (f_regression)
|
||
|
||
|
||
|
||
import numpy as np
|
||
from sklearn.linear_model import Lasso, LinearRegression
|
||
from sklearn.feature_selection import RFE
|
||
from sklearn.feature_selection import f_regression
|
||
from sklearn.preprocessing import MinMaxScaler
|
||
|
||
|
||
|
||
def main():
|
||
X, Y = friedman_regression_problem(800)
|
||
|
||
''' Создание и обучение моделей '''
|
||
|
||
# Лассо
|
||
lasso_model = Lasso(alpha=.05)
|
||
lasso_model.fit(X, Y)
|
||
|
||
# Рекурсивное сокращение признаков
|
||
lr = LinearRegression()
|
||
lr.fit(X, Y)
|
||
rfe_model = RFE(estimator=lr)
|
||
rfe_model.fit(X, Y)
|
||
|
||
# Линейная корреляция
|
||
f, p_val = f_regression(X, Y)
|
||
|
||
# список имён признаков
|
||
names = ["x%s" % i for i in range(1, 16)]
|
||
|
||
# словарь вызова функций моделей
|
||
ranks = {}
|
||
ranks["Lasso"] = rank_to_dict(lasso_model.coef_, names)
|
||
ranks["RFE"] = rank_to_dict(rfe_model.ranking_, names)
|
||
ranks["F_reg"] = rank_to_dict(f, names)
|
||
|
||
# вывод признаков и оценок каждой модели
|
||
print_sorted_model(ranks)
|
||
|
||
# пустой список данных
|
||
mean = {}
|
||
|
||
# Формирование среднего по каждому признаку
|
||
for key, value in ranks.items():
|
||
for item in value.items():
|
||
if item[0] not in mean: #если элемента с текущим ключём нет
|
||
mean[item[0]] = 0 #добавляем
|
||
mean[item[0]] += item[1] #суммируем значения по каждому ключу-имени признака
|
||
|
||
# Поиск среднего по каждому признаку
|
||
for key, value in mean.items():
|
||
res = value / len(ranks)
|
||
mean[key] = round(res, 2)
|
||
|
||
# Сортировка и распечатка списка
|
||
mean = sorted(mean.items(), key=lambda item: item[1], reverse=True)
|
||
print("\033[92mСредния значения по каждому признаку:\033[00m")
|
||
print(mean)
|
||
|
||
|
||
|
||
# Генерация набора данных по регрессионной проблеме Фридмана
|
||
def friedman_regression_problem(size):
|
||
# генерируем исходные данные: 800 строк-наблюдений и 15 столбцов-признаков
|
||
np.random.seed(0)
|
||
X = np.random.uniform(0, 1, (size, 15))
|
||
# Задание функции-выхода (регриссионную проблему Фридмана)
|
||
Y = (10 * np.sin(np.pi * X[:,0] * X[:,1]) + 20 * (X[:,2] - .5)**2 + 10*X[:,3] + 5*X[:,4]**5) + np.random.normal(0, 1)
|
||
# Добавление в зависимость признаков
|
||
X[:,11:] = X[:,:4] + np.random.normal(0, .025, (size, 4))
|
||
return X, Y
|
||
|
||
|
||
# Функция формирования словаря пар "имя_признака: оценка признака"
|
||
def rank_to_dict(ranks, names):
|
||
ranks = np.abs(ranks) #получение абсолютных значений оценок
|
||
r_array = np.array(ranks) #создание массива списка оценок
|
||
r_array = r_array.reshape(15, 1) #переформирование строк и столбцов в массиве
|
||
minmax = MinMaxScaler() # экземпляр для нормализации данных
|
||
ranks = minmax.fit_transform(r_array) #обучение и преобразование данных
|
||
ranks = ranks.ravel() #преобразование двумерного массива в одномерный
|
||
ranks = map(lambda x: round(x, 2), ranks) #округление каждого элемента массива до сотых
|
||
return dict(zip(names, ranks))
|
||
|
||
|
||
# Функция вывода признаков моделей по убыванию значения оценки
|
||
def print_sorted_model(ranks):
|
||
ranks_copy = dict(ranks)
|
||
for key, value in ranks_copy.items():
|
||
ranks_copy[key] = sorted(value.items(), key=lambda item: item[1], reverse=True)
|
||
|
||
for key, value in ranks_copy.items():
|
||
print("\033[92m---> {} <---\033[00m" .format(key))
|
||
print(value)
|
||
print()
|
||
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main() |