Изучите материалы.
Используйте предобработанные датасеты для задач классификации и регрессии в соответствии с индивидуальным вариантом.
На данных для задачи регрессии и классификации с помощью классов
библиотеки Scikit-learn выполните понижение размерности, используя следующие
методы: VarianceThreshold, SelectKBest, RFE, PCA, KernelPCA (используйте следующие ядровые функции: poly, rbf, sigmoid), t-SNE, Isomap, UMAP. Выведите отобранные признаки соответствующими методами понижения размерности и поясните полученные результаты.
Выберите две модели (одна – для регрессии, другая – для классификации). Обучите выбранные модели с использованием данных в пространстве низкой размерности (не забудьте, что понижать нужно как X_train, так и X_test, но проще всего понижать X).
Сформулируйте вывод о том, какие методы понижения размерности лучше всего подходят для ваших данных в задаче регрессии и классификации. Сравните эффективность примененных алгоритмов к данным в задаче регрессии и задаче классификации в данной ЛР и соответствующих предыдущих работах. Результат сравнения представить в табличном форме.
Самостоятельно реализуйте алгоритм PCA. На основе датасета для задачи классификации (предварительно удалив метку класса) выполните понижение размерности до 2 (преобразуйте данные в двумерное пространство). Выполните визуализацию данных (точки на плоскости).
Выполните кластеризацию преобразованных в предыдущем пункте данных с помощью Вашей реализации алгоритма k-Means из предыдущей ЛР. Выполните интерпретацию полученных кластеров.