R version 4.5.3 (2026-03-11 ucrt) – “Reassured Reassurer” Copyright (C) 2026 The R Foundation for Statistical Computing Platform: x86_64-w64-mingw32/x64
R – это свободное ПО, и оно поставляется безо всяких гарантий. Вы вольны распространять его при соблюдении некоторых условий. Введите ‘license()’ для получения более подробной информации.
R – это проект, в котором сотрудничает множество разработчиков. Введите ‘contributors()’ для получения дополнительной информации и ‘citation()’ для ознакомления с правилами упоминания R и его пакетов в публикациях.
Введите ‘demo()’ для запуска демонстрационных программ, ‘help()’ – для получения справки, ‘help.start()’ – для доступа к справке через браузер. Введите ‘q()’, чтобы выйти из R.
[Загружено ранее сохраненное рабочее пространство]
install.packages(c(“caret”, “ggplot2”, “FSelector”, “arules”, + “Boruta”, “mlbench”, “knitr”)) Устанавливаю пакеты в ‘C:/Users/Анастасия/AppData/Local/R/win-library/4.5’ (потому что ‘lib’ не определено) — Пожалуйста, выберите зеркало CRAN для использования в этой сессии — устанавливаю также зависимости ‘lava’, ‘prodlim’, ‘stringi’, ‘proxy’, ‘Rcpp’, ‘data.table’, ‘dplyr’, ‘clock’, ‘glue’, ‘gower’, ‘hardhat’, ‘ipred’, ‘lubridate’, ‘magrittr’, ‘tidyr’, ‘stringr’, ‘RWekajars’, ‘rJava’, ‘e1071’, ‘ModelMetrics’, ‘plyr’, ‘pROC’, ‘recipes’, ‘reshape2’, ‘withr’, ‘cli’, ‘gtable’, ‘isoband’, ‘rlang’, ‘S7’, ‘scales’, ‘vctrs’, ‘digest’, ‘entropy’, ‘randomForest’, ‘RWeka’, ‘generics’, ‘ranger’, ‘xfun’
пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/lava_1.8.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/prodlim_2026.03.11.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/stringi_1.8.7.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/proxy_0.4-29.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/Rcpp_1.1.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/data.table_1.18.2.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/dplyr_1.2.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/clock_0.7.4.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/glue_1.8.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/gower_1.0.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/hardhat_1.4.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/ipred_0.9-15.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/lubridate_1.9.5.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/magrittr_2.0.4.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/tidyr_1.3.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/stringr_1.6.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/RWekajars_3.9.3-2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/rJava_1.0-16.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/e1071_1.7-17.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/ModelMetrics_1.2.2.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/plyr_1.8.9.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/pROC_1.19.0.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/recipes_1.3.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/reshape2_1.4.5.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/withr_3.0.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/cli_3.6.5.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/gtable_0.3.6.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/isoband_0.3.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/rlang_1.1.7.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/S7_0.2.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/scales_1.4.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/vctrs_0.7.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/digest_0.6.39.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/entropy_1.3.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/randomForest_4.7-1.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/RWeka_0.4-47.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/generics_0.1.4.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/ranger_0.18.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/xfun_0.56.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/caret_7.0-1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/ggplot2_4.0.2.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/FSelector_0.34.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/arules_1.7.13.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/Boruta_9.0.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/mlbench_2.1-7.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/knitr_1.51.zip’ пакет ‘lava’ успешно распакован, MD5-суммы проверены пакет ‘prodlim’ успешно распакован, MD5-суммы проверены пакет ‘stringi’ успешно распакован, MD5-суммы проверены пакет ‘proxy’ успешно распакован, MD5-суммы проверены пакет ‘Rcpp’ успешно распакован, MD5-суммы проверены пакет ‘data.table’ успешно распакован, MD5-суммы проверены пакет ‘dplyr’ успешно распакован, MD5-суммы проверены пакет ‘clock’ успешно распакован, MD5-суммы проверены пакет ‘glue’ успешно распакован, MD5-суммы проверены пакет ‘gower’ успешно распакован, MD5-суммы проверены пакет ‘hardhat’ успешно распакован, MD5-суммы проверены пакет ‘ipred’ успешно распакован, MD5-суммы проверены пакет ‘lubridate’ успешно распакован, MD5-суммы проверены пакет ‘magrittr’ успешно распакован, MD5-суммы проверены пакет ‘tidyr’ успешно распакован, MD5-суммы проверены пакет ‘stringr’ успешно распакован, MD5-суммы проверены пакет ‘RWekajars’ успешно распакован, MD5-суммы проверены пакет ‘rJava’ успешно распакован, MD5-суммы проверены пакет ‘e1071’ успешно распакован, MD5-суммы проверены пакет ‘ModelMetrics’ успешно распакован, MD5-суммы проверены пакет ‘plyr’ успешно распакован, MD5-суммы проверены пакет ‘pROC’ успешно распакован, MD5-суммы проверены пакет ‘recipes’ успешно распакован, MD5-суммы проверены пакет ‘reshape2’ успешно распакован, MD5-суммы проверены пакет ‘withr’ успешно распакован, MD5-суммы проверены пакет ‘cli’ успешно распакован, MD5-суммы проверены пакет ‘gtable’ успешно распакован, MD5-суммы проверены пакет ‘isoband’ успешно распакован, MD5-суммы проверены пакет ‘rlang’ успешно распакован, MD5-суммы проверены пакет ‘S7’ успешно распакован, MD5-суммы проверены пакет ‘scales’ успешно распакован, MD5-суммы проверены пакет ‘vctrs’ успешно распакован, MD5-суммы проверены пакет ‘digest’ успешно распакован, MD5-суммы проверены пакет ‘entropy’ успешно распакован, MD5-суммы проверены пакет ‘randomForest’ успешно распакован, MD5-суммы проверены пакет ‘RWeka’ успешно распакован, MD5-суммы проверены пакет ‘generics’ успешно распакован, MD5-суммы проверены пакет ‘ranger’ успешно распакован, MD5-суммы проверены пакет ‘xfun’ успешно распакован, MD5-суммы проверены пакет ‘caret’ успешно распакован, MD5-суммы проверены пакет ‘ggplot2’ успешно распакован, MD5-суммы проверены пакет ‘FSelector’ успешно распакован, MD5-суммы проверены пакет ‘arules’ успешно распакован, MD5-суммы проверены пакет ‘Boruta’ успешно распакован, MD5-суммы проверены пакет ‘mlbench’ успешно распакован, MD5-суммы проверены пакет ‘knitr’ успешно распакован, MD5-суммы проверены
Скачанные бинарные пакеты находятся в C:_packages > library(caret) Загрузка требуемого пакета: ggplot2 Загрузка требуемого пакета: lattice Ошибка: не удалась загрузка пакета или пространства имен для ‘caret’ in loadNamespace(i, c(lib.loc, .libPaths()), versionCheck = vI[[i]]): нет пакета под названием ‘iterators’ > library(ggplot2) > library(FSelector) Ошибка: не удалась загрузка пакета или пространства имен для ‘FSelector’: .onLoad не удалось в loadNamespace() для ‘RWekajars’, подробности: вызов: .jinit(parameters = parameters) ошибка: Unable to create a Java class loader. > library(arules) Загрузка требуемого пакета: Matrix
Присоединяю пакет: ‘arules’
Следующие объекты скрыты от ‘package:base’:
abbreviate, writelibrary(Boruta) library(mlbench) dir.create(“C:/R_lab_plots”, showWarnings = FALSE) setwd(“C:/R_lab_plots”) # Загружаем пакет library(caret) Ошибка: не удалась загрузка пакета или пространства имен для ‘caret’ in loadNamespace(i, c(lib.loc, .libPaths()), versionCheck = vI[[i]]): нет пакета под названием ‘iterators’
Список доступных методов
all_models <- names(getModelInfo()) Ошибка в getModelInfo() : не могу найти функцию “getModelInfo” cat(“Всего доступно методов:”, length(all_models), “”) Ошибка: объект ‘all_models’ не найден cat(“Первые 20 методов:”, paste(head(all_models, 20), collapse = “,”), “”) Ошибка в h(simpleError(msg, call)) : ошибка при оценке аргумента ‘x’ при выборе метода для функции ‘head’: объект ‘all_models’ не найден
Генерация данных
set.seed(123) x <- matrix(rnorm(50*5), ncol = 5) y <- factor(rep(c(“A”, “B”), 25))
Создаем data.frame
df <- as.data.frame(x) colnames(df) <- paste0(“Feature”, 1:5) df$Class <- y
Сохраняем графики
1. Диаграммы рассеяния
jpeg(“featurePlot_pairs.jpg”, width = 800, height = 600) featurePlot(x = df[, 1:5], y = df\(Class, plot = "pairs") Ошибка в featurePlot(x = df[, 1:5], y = df\)Class, plot = “pairs”) : не могу найти функцию “featurePlot” dev.off() null device 1 cat(“График pairs сохранен”) График pairs сохранен
2. Эллипсы
jpeg(“featurePlot_ellipse.jpg”, width = 800, height = 600) featurePlot(x = df[, 1:5], y = df\(Class, plot = "ellipse") Ошибка в featurePlot(x = df[, 1:5], y = df\)Class, plot = “ellipse”) : не могу найти функцию “featurePlot” dev.off() null device 1 cat(“График ellipse сохранен”) График ellipse сохранен
3. Ящики с усами
jpeg(“featurePlot_box.jpg”, width = 800, height = 600) featurePlot(x = df[, 1:5], y = df\(Class, plot = "box") Ошибка в featurePlot(x = df[, 1:5], y = df\)Class, plot = “box”) : не могу найти функцию “featurePlot” dev.off() null device 1 cat(“График boxplot сохранен”) График boxplot сохранен
4. Плотности
jpeg(“featurePlot_density.jpg”, width = 800, height = 600) featurePlot(x = df[, 1:5], y = df\(Class, plot = "density") Ошибка в featurePlot(x = df[, 1:5], y = df\)Class, plot = “density”) : не могу найти функцию “featurePlot” dev.off() null device 1 cat(“График density сохранен”) График density сохранен # Устанавливаем недостающие пакеты install.packages(c(“iterators”, “foreach”)) Устанавливаю пакеты в ‘C:/Users/Анастасия/AppData/Local/R/win-library/4.5’ (потому что ‘lib’ не определено) пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/iterators_1.0.14.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/foreach_1.5.2.zip’ пакет ‘iterators’ успешно распакован, MD5-суммы проверены пакет ‘foreach’ успешно распакован, MD5-суммы проверены
Скачанные бинарные пакеты находятся в C:_packages > > # Загружаем необходимые пакеты > library(caret) > library(ggplot2) > library(lattice) > > # Список доступных методов > all_models <- names(getModelInfo()) > cat(“Всего доступно методов:”, length(all_models), “”) Всего доступно методов: 239 > cat(“Первые 20 методов:”, paste(head(all_models, 20), collapse = “,”), “”) Первые 20 методов: ada, AdaBag, AdaBoost.M1, adaboost, amdai, ANFIS, avNNet, awnb, awtan, bag, bagEarth, bagEarthGCV, bagFDA, bagFDAGCV, bam, bartMachine, bayesglm, binda, blackboost, blasso > > # Генерация данных > set.seed(123) > x <- matrix(rnorm(50*5), ncol = 5) > y <- factor(rep(c(“A”, “B”), 25)) > > # Создаем data.frame > df <- as.data.frame(x) > colnames(df) <- paste0(“Feature”, 1:5) > df\(Class <- y > > # Создаем директорию для графиков > dir.create("C:/R_lab_plots", showWarnings = FALSE) > setwd("C:/R_lab_plots") > > # Сохраняем графики > # 1. Диаграммы рассеяния > jpeg("featurePlot_pairs.jpg", width = 800, height = 600) > featurePlot(x = df[, 1:5], y = df\)Class, plot = “pairs”) > dev.off() null device 1 > cat(“График pairs сохранен”) График pairs сохранен > > # 2. Эллипсы > jpeg(“featurePlot_ellipse.jpg”, width = 800, height = 600) > featurePlot(x = df[, 1:5], y = df\(Class, plot = "ellipse") Ошибка в grid.Call.graphics(C_downviewport, name\)name, strict) : Не могу найти оконницу ‘plot_01.panel.1.1.off.vp’ > dev.off() null device 1 > cat(“График ellipse сохранен”) График ellipse сохранен > > # 3. Ящики с усами > jpeg(“featurePlot_box.jpg”, width = 800, height = 600) > featurePlot(x = df[, 1:5], y = df\(Class, plot = "box") > dev.off() null device 1 > cat("График boxplot сохранен\n") График boxplot сохранен > > # 4. Плотности > jpeg("featurePlot_density.jpg", width = 800, height = 600) > featurePlot(x = df[, 1:5], y = df\)Class, plot = “density”, + scales = list(x = list(relation = “free”), + y = list(relation = “free”))) > dev.off() null device 1 > cat(“График density сохранен”) График density сохранен > library(FSelector) ERROR: Java exception occurred during rJava bootstrap - see stderr for Java stack trace. > data(iris) > > # Information Gain > weights_ig <- information.gain(Species ~ ., data = iris) > cat(“=== Information Gain ===”)
=== Information Gain === > print(weights_ig) attr_importance Sepal.Length 0.4521286 Sepal.Width 0.2672750 Petal.Length 0.9402853 Petal.Width 0.9554360 > > # Gain Ratio > weights_gr <- gain.ratio(Species ~ ., data = iris) > cat(“=== Gain Ratio ===”)
=== Gain Ratio === > print(weights_gr) attr_importance Sepal.Length 0.4196464 Sepal.Width 0.2472972 Petal.Length 0.8584937 Petal.Width 0.8713692 > > # Chi-squared > weights_chi <- chi.squared(Species ~ ., data = iris) > cat(“=== Chi-squared ===”)
=== Chi-squared === > print(weights_chi) attr_importance Sepal.Length 0.6288067 Sepal.Width 0.4922162 Petal.Length 0.9346311 Petal.Width 0.9432359 > > # Визуализация > jpeg(“fs_importance.jpg”, width = 900, height = 400) > par(mfrow = c(1, 3)) > barplot(t(as.matrix(weights_ig)), main = “Information Gain”, + ylab = “Важность”, col = “steelblue”, ylim = c(0, 2)) > barplot(t(as.matrix(weights_gr)), main = “Gain Ratio”, + ylab = “Важность”, col = “coral”, ylim = c(0, 2)) > barplot(t(as.matrix(weights_chi)), main = “Chi-squared”, + ylab = “Важность”, col = “lightgreen”, ylim = c(0, 150)) > dev.off() null device 1 > cat(“График важности признаков сохранен”) График важности признаков сохранен > library(arules) > data(iris) > > x <- iris$Sepal.Length > > cat(“=== Оригинальные данные ===”)
=== Оригинальные данные === > print(summary(x)) Min. 1st Qu. Median Mean 3rd Qu. Max. 4.300 5.100 5.800 5.843 6.400 7.900 > > # 1. Interval method > disc_interval <- discretize(x, method = “interval”, breaks = 3) > cat(“=== Метод interval (равная ширина) ===”)
=== Метод interval (равная ширина) === > print(table(disc_interval)) disc_interval [4.3,5.5) [5.5,6.7) [6.7,7.9] 52 70 28 > print(attributes(disc_interval)$discretized:breaks) Ошибка в h(simpleError(msg, call)) : ошибка при оценке аргумента ‘x’ при выборе метода для функции ‘print’: объект ‘breaks’ не найден > > # 2. Frequency method > disc_frequency <- discretize(x, method = “frequency”, breaks = 3) > cat(“=== Метод frequency (равная частота) ===”)
=== Метод frequency (равная частота) === > print(table(disc_frequency)) disc_frequency [4.3,5.4) [5.4,6.3) [6.3,7.9] 46 53 51 > > # 3. Cluster method > disc_cluster <- discretize(x, method = “cluster”, breaks = 3) > cat(“=== Метод cluster (k-means) ===”)
=== Метод cluster (k-means) === > print(table(disc_cluster)) disc_cluster [4.3,5.42) [5.42,6.39) [6.39,7.9] 52 56 42 > > # 4. Fixed method > disc_fixed <- discretize(x, method = “fixed”, + breaks = c(-Inf, 5.0, 6.5, Inf), + labels = c(“Маленькие”, “Средние”, “Большие”)) > cat(“=== Метод fixed (фиксированные границы) ===”)
=== Метод fixed (фиксированные границы) === > print(table(disc_fixed)) disc_fixed Маленькие Средние Большие 22 93 35 > > # Сохраняем график сравнения > jpeg(“discretization_comparison.jpg”, width = 800, height = 800) > par(mfrow = c(2, 2)) > > # Гистограммы для каждого метода > hist(as.numeric(disc_interval), breaks = 3, + main = “Interval method”, xlab = ““, col =”lightblue”) > hist(as.numeric(disc_frequency), breaks = 3, + main = “Frequency method”, xlab = ““, col =”lightgreen”) > hist(as.numeric(disc_cluster), breaks = 3, + main = “Cluster method”, xlab = ““, col =”lightyellow”) > barplot(table(disc_fixed), main = “Fixed method”, + col = “lightcoral”) > > dev.off() null device 1 > cat(“График сравнения методов дискретизации сохранен”) График сравнения методов дискретизации сохранен > library(Boruta) > library(mlbench) > > data(“Ozone”) > cat(“=== Структура данных Ozone ===”)
=== Структура данных Ozone === > str(Ozone) ‘data.frame’: 366 obs. of 13 variables: $ V1 : Factor w/ 12 levels “1”,“2”,“3”,“4”,..: 1 1 1 1 1 1 1 1 1 1 … $ V2 : Factor w/ 31 levels “1”,“2”,“3”,“4”,..: 1 2 3 4 5 6 7 8 9 10 … $ V3 : Factor w/ 7 levels “1”,“2”,“3”,“4”,..: 4 5 6 7 1 2 3 4 5 6 … $ V4 : num 3 3 3 5 5 6 4 4 6 7 … $ V5 : num 5480 5660 5710 5700 5760 5720 5790 5790 5700 5700 … $ V6 : num 8 6 4 3 3 4 6 3 3 3 … $ V7 : num 20 NA 28 37 51 69 19 25 73 59 … $ V8 : num NA 38 40 45 54 35 45 55 41 44 … $ V9 : num NA NA NA NA 45.3 … $ V10: num 5000 NA 2693 590 1450 … $ V11: num -15 -14 -25 -24 25 15 -33 -28 23 -2 … $ V12: num 30.6 NA 47.7 55 57 … $ V13: num 200 300 250 100 60 60 100 250 120 120 … > > # Удаляем пропущенные значения > Ozone_clean <- na.omit(Ozone) > cat(“данных после удаления NA:”, dim(Ozone_clean), “”)
Размер данных после удаления NA: 203 13 > > # Применяем Boruta (это может занять некоторое время) > set.seed(123) > cat(“Boruta…”)
Запуск Boruta… > boruta_result <- Boruta(V4 ~ ., data = Ozone_clean, + doTrace = 1, # показывать прогресс + maxRuns = 100) After 11 iterations, +1.2 secs: confirmed 9 attributes: V1, V10, V11, V12, V13 and 4 more; rejected 2 attributes: V3, V6; still have 1 attribute left.
After 24 iterations, +2.5 secs: rejected 1 attribute: V2; no more attributes left.
cat(“=== Результат Boruta ===”)
=== Результат Boruta === > print(boruta_result) Boruta performed 24 iterations in 2.495841 secs. 9 attributes confirmed important: V1, V10, V11, V12, V13 and 4 more; 3 attributes confirmed unimportant: V2, V3, V6; > > # Статистика по признакам > final_decision <- attStats(boruta_result) > cat(“=== Детальная статистика ===”)
=== Детальная статистика === > print(final_decision) meanImp medianImp minImp maxImp normHits decision V1 9.5563296 9.7071000 8.4255686 10.7247899 1.0000000 Confirmed V2 1.1557680 1.1576551 -0.2474598 2.7423660 0.1666667 Rejected V3 -0.9877372 -0.7333367 -3.4162909 0.3794342 0.0000000 Rejected V5 9.2426781 9.2313179 8.1108460 10.5140883 1.0000000 Confirmed V6 0.9886679 1.3615721 -1.1013954 1.9852132 0.0000000 Rejected V7 11.7026875 11.5169965 10.5127703 13.4896943 1.0000000 Confirmed V8 17.1647491 17.2255744 16.0336735 18.5525852 1.0000000 Confirmed V9 19.2281405 19.0627349 17.5889826 20.9190449 1.0000000 Confirmed V10 9.8662368 9.7266893 8.6477478 11.3131795 1.0000000 Confirmed V11 11.8977619 11.8484607 10.9347533 13.6520570 1.0000000 Confirmed V12 14.6326841 14.6095338 13.5595253 16.0775580 1.0000000 Confirmed V13 9.4438214 9.5489762 8.1005306 10.7881019 1.0000000 Confirmed > > # Сохраняем график > jpeg(“boruta_boxplot.jpg”, width = 900, height = 600) > plot(boruta_result, las = 2, cex.axis = 0.7, + main = “Важность признаков по Boruta”) > dev.off() null device 1 > cat(“График Boruta сохранен”) График Boruta сохранен > > # Дополнительный график истории > jpeg(“boruta_history.jpg”, width = 900, height = 600) > plotImpHistory(boruta_result, las = 2, cex.axis = 0.7, + main = “История важности признаков”) > dev.off() null device 1 > cat(“График истории Boruta сохранен”) График истории Boruta сохранен > # Сохраняем все результаты в файл отчета > sink(“lab_report.txt”, append = FALSE, split = TRUE) > > cat(“****************************************************”) **************************************************** > cat(“* ЛАБОРАТОРНАЯ РАБОТА 2 ”) ЛАБОРАТОРНАЯ РАБОТА 2 > cat(” ВЫБОР ИНФОРМАТИВНЫХ ПРИЗНАКОВ ”) ВЫБОР ИНФОРМАТИВНЫХ ПРИЗНАКОВ > cat(”***************************************************”) ****************************************************
cat(“Дата:”, date(), “”) Дата: Thu Mar 19 13:53:01 2026 cat(“****************************************************”) ****************************************************
cat(“================== ЗАДАНИЕ 1 ==================”) ================== ЗАДАНИЕ 1 ================== cat(“АНАЛИЗ ПАКЕТА CARET”) АНАЛИЗ ПАКЕТА CARET cat(“================================================”) ================================================ cat(“Доступные методы выбора признаков:”) Доступные методы выбора признаков: cat(“Всего методов:”, length(all_models), “”) Всего методов: 239 cat(“Первые 10 методов:”, paste(head(all_models, 10), collapse = “,”), “”) Первые 10 методов: ada, AdaBag, AdaBoost.M1, adaboost, amdai, ANFIS, avNNet, awnb, awtan, bag
cat(“================== ЗАДАНИЕ 2 ==================”) ================== ЗАДАНИЕ 2 ================== cat(“АНАЛИЗ ПАКЕТА FSELECTOR”) АНАЛИЗ ПАКЕТА FSELECTOR cat(“================================================”) ================================================ cat(“Информативность признаков (Information Gain):”) Информативность признаков (Information Gain): print(weights_ig) attr_importance Sepal.Length 0.4521286 Sepal.Width 0.2672750 Petal.Length 0.9402853 Petal.Width 0.9554360 cat(“прироста (Gain Ratio):”)
Коэффициент прироста (Gain Ratio): > print(weights_gr) attr_importance Sepal.Length 0.4196464 Sepal.Width 0.2472972 Petal.Length 0.8584937 Petal.Width 0.8713692 > cat(“хи-квадрат (Chi-squared):”)
Критерий хи-квадрат (Chi-squared): > print(weights_chi) attr_importance Sepal.Length 0.6288067 Sepal.Width 0.4922162 Petal.Length 0.9346311 Petal.Width 0.9432359 > > cat(“================== ЗАДАНИЕ 3 ==================”)
================== ЗАДАНИЕ 3 ================== > cat(“ДИСКРЕТИЗАЦИЯ ДАННЫХ”) ДИСКРЕТИЗАЦИЯ ДАННЫХ > cat(“================================================”) ================================================ > cat(“Метод 1: Равные интервалы (Interval)”) Метод 1: Равные интервалы (Interval) > print(table(disc_interval)) disc_interval [4.3,5.5) [5.5,6.7) [6.7,7.9] 52 70 28 > cat(“: Равная частота (Frequency)”)
Метод 2: Равная частота (Frequency) > print(table(disc_frequency)) disc_frequency [4.3,5.4) [5.4,6.3) [6.3,7.9] 46 53 51 > cat(“: Кластеризация (Cluster)”)
Метод 3: Кластеризация (Cluster) > print(table(disc_cluster)) disc_cluster [4.3,5.42) [5.42,6.39) [6.39,7.9] 52 56 42 > cat(“: Фиксированные границы (Fixed)”)
Метод 4: Фиксированные границы (Fixed) > print(table(disc_fixed)) disc_fixed Маленькие Средние Большие 22 93 35 > > cat(“================== ЗАДАНИЕ 4 ==================”)
================== ЗАДАНИЕ 4 ================== > cat(“АНАЛИЗ BORUTA”) АНАЛИЗ BORUTA > cat(“================================================”) ================================================ > cat(“Результаты анализа данных Ozone:”) Результаты анализа данных Ozone: > print(boruta_result) Boruta performed 24 iterations in 2.495841 secs. 9 attributes confirmed important: V1, V10, V11, V12, V13 and 4 more; 3 attributes confirmed unimportant: V2, V3, V6; > cat(“решение по признакам:”)
Итоговое решение по признакам: > print(final_decision) meanImp medianImp minImp maxImp normHits decision V1 9.5563296 9.7071000 8.4255686 10.7247899 1.0000000 Confirmed V2 1.1557680 1.1576551 -0.2474598 2.7423660 0.1666667 Rejected V3 -0.9877372 -0.7333367 -3.4162909 0.3794342 0.0000000 Rejected V5 9.2426781 9.2313179 8.1108460 10.5140883 1.0000000 Confirmed V6 0.9886679 1.3615721 -1.1013954 1.9852132 0.0000000 Rejected V7 11.7026875 11.5169965 10.5127703 13.4896943 1.0000000 Confirmed V8 17.1647491 17.2255744 16.0336735 18.5525852 1.0000000 Confirmed V9 19.2281405 19.0627349 17.5889826 20.9190449 1.0000000 Confirmed V10 9.8662368 9.7266893 8.6477478 11.3131795 1.0000000 Confirmed V11 11.8977619 11.8484607 10.9347533 13.6520570 1.0000000 Confirmed V12 14.6326841 14.6095338 13.5595253 16.0775580 1.0000000 Confirmed V13 9.4438214 9.5489762 8.1005306 10.7881019 1.0000000 Confirmed > > cat(“================== ИТОГИ РАБОТЫ ==================”)
================== ИТОГИ РАБОТЫ ================== > cat(“Графики сохранены в папке: C:/R_lab_plots”) Графики сохранены в папке: C:/R_lab_plots > cat(“Файлы графиков:”) Файлы графиков: > cat(” • featurePlot_pairs.jpg - диаграммы рассеяния“) • featurePlot_pairs.jpg - диаграммы рассеяния > cat(” • featurePlot_ellipse.jpg - эллипсы рассеяния“) • featurePlot_ellipse.jpg - эллипсы рассеяния > cat(” • featurePlot_box.jpg - ящики с усами“) • featurePlot_box.jpg - ящики с усами > cat(” • featurePlot_density.jpg - графики плотности“) • featurePlot_density.jpg - графики плотности > cat(”================================================“) ================================================ > > sink() > > cat(”! Отчет сохранен в файл lab_report.txt“)
Готово! Отчет сохранен в файл lab_report.txt > writeLines(rmd_content, “Lab_Feature_Selection.Rmd”) Ошибка: объект ‘rmd_content’ не найден > install.packages(“rmarkdown”) Устанавливаю пакет в ‘C:/Users/Анастасия/AppData/Local/R/win-library/4.5’ (потому что ‘lib’ не определено) устанавливаю также зависимости ‘fs’, ‘fastmap’, ‘memoise’, ‘sass’, ‘bslib’, ‘fontawesome’, ‘jquerylib’, ‘jsonlite’
пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/fs_1.6.7.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/fastmap_1.2.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/memoise_2.0.1.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/sass_0.4.10.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/bslib_0.10.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/fontawesome_0.5.3.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/jquerylib_0.1.4.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/jsonlite_2.0.0.zip’ пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/rmarkdown_2.30.zip’ пакет ‘fs’ успешно распакован, MD5-суммы проверены пакет ‘fastmap’ успешно распакован, MD5-суммы проверены пакет ‘memoise’ успешно распакован, MD5-суммы проверены пакет ‘sass’ успешно распакован, MD5-суммы проверены пакет ‘bslib’ успешно распакован, MD5-суммы проверены пакет ‘fontawesome’ успешно распакован, MD5-суммы проверены пакет ‘jquerylib’ успешно распакован, MD5-суммы проверены пакет ‘jsonlite’ успешно распакован, MD5-суммы проверены пакет ‘rmarkdown’ успешно распакован, MD5-суммы проверены
Скачанные бинарные пакеты находятся в C:_packages > install.packages(“knitr”) Устанавливаю пакет в ‘C:/Users/Анастасия/AppData/Local/R/win-library/4.5’ (потому что ‘lib’ не определено) пробую URL ‘https://cran.ma.imperial.ac.uk/bin/windows/contrib/4.5/knitr_1.51.zip’ Content type ‘application/zip’ length 1110011 bytes (1.1 MB) downloaded 1.1 MB
пакет ‘knitr’ успешно распакован, MD5-суммы проверены
Скачанные бинарные пакеты находятся в C:_packages > writeLines(rmd_content, “Lab_Feature_Selection.Rmd”) Ошибка: объект ‘rmd_content’ не найден >