lb2Debelyak

Задание 1: Графический разведочный анализ данных с использованием функции featurePlot()

В данном задании используется пакет caret для визуализации данных и исследования зависимости между признаками.

library(caret)

## Загрузка требуемого пакета: ggplot2

## Загрузка требуемого пакета: lattice

set.seed(123)
x <- matrix(rnorm(50 * 5), ncol = 5)
y <- factor(rep(c("A", "B"), 25))
df <- data.frame(x, Class = y)

# Построение графиков
featurePlot(x = df[, 1:5], y = df$Class, plot = "box")

# Сохранение графика
jpeg("feature_plot.jpeg")
featurePlot(x = df[, 1:5], y = df$Class, plot = "box")
dev.off()

## png 
##   2

#Задание 2
library(FSelector)
data(iris)
weights <- information.gain(Species ~ ., iris)
print(weights)

##              attr_importance
## Sepal.Length       0.4521286
## Sepal.Width        0.2672750
## Petal.Length       0.9402853
## Petal.Width        0.9554360

# Визуализация важности признаков
barplot(weights$attr_importance, names.arg = rownames(weights), las = 2, col = "lightblue", main = "Важность признаков (Information Gain)")

weights <- gain.ratio(Species ~ ., iris)
barplot(weights$attr_importance, names.arg = rownames(weights), las = 2, col = "lightblue", main = "Важность признаков (Gain Ratio)")

#Задание 3
library(arules)

## Загрузка требуемого пакета: Matrix

## 
## Присоединяю пакет: 'arules'

## Следующие объекты скрыты от 'package:base':
## 
##     abbreviate, write

# Преобразование данных
iris$Sepal.Length_interval <- discretize(iris$Sepal.Length, method = "interval", breaks = 3)
iris$Sepal.Length_frequency <- discretize(iris$Sepal.Length, method = "frequency", breaks = 3)
iris$Sepal.Length_cluster <- discretize(iris$Sepal.Length, method = "cluster", breaks = 3)

# Вывод таблиц
print(table(iris$Sepal.Length_interval))

## 
## [4.3,5.5) [5.5,6.7) [6.7,7.9] 
##        52        70        28

print(table(iris$Sepal.Length_frequency))

## 
## [4.3,5.4) [5.4,6.3) [6.3,7.9] 
##        46        53        51

print(table(iris$Sepal.Length_cluster))

## 
##  [4.3,5.45) [5.45,6.46)  [6.46,7.9] 
##          52          63          35

#Задание 4
library(Boruta)
library(mlbench)

# Загрузка данных
data("Ozone")
ozone_data <- Ozone[, 4:6]
ozone_data_clean <- na.omit(ozone_data)

# Применение метода Boruta для выбора признаков
boruta_result <- Boruta(V4 ~ ., data = ozone_data_clean, doTrace = 2)

##  1. run of importance source...

##  2. run of importance source...

##  3. run of importance source...

##  4. run of importance source...

##  5. run of importance source...

##  6. run of importance source...

##  7. run of importance source...

##  8. run of importance source...

## After 8 iterations, +0.52 secs:

##  confirmed 2 attributes: V5, V6;

##  no more attributes left.

# Отображение результатов
print(boruta_result)

## Boruta performed 8 iterations in 0.5229602 secs.
##  2 attributes confirmed important: V5, V6;
##  No attributes deemed unimportant.

# Построение boxplot
boxplot(ozone_data_clean[, c("V4", "V5", "V6")], 
        main = "Boxplot для набора данных Ozone (столбцы 4, 5, 6)",
        col = c("lightblue", "lightgreen", "lightcoral"))