from torchao.quant import autoquant

# Загружаем обученную модель
model = torchvision.models.resnet18(pretrained=True).eval()

# Применяем автоматическое квантование
model = autoquant(model)

Проанализируй важность признаков обученной модели. Выполни следующие шаги:

— Извлеки и отсортируй признаки по степени важности.
— Построй barplot с топ-10 признаками.
— Проверь, есть ли признаки с нулевой или близкой к нулю важностью — возможно, их можно удалить.
— Если модель поддерживает SHAP / permutation importance — добавь соответствующую визуализацию.
— Сформулируй гипотезы: почему те или иные признаки оказались важны? Как это согласуется с предметной областью?

import numpy as np
from sklearn.utils import resample

data = np.array([12, 15, 14, 10, 8, 11, 13])  # пример

boot_means = []

for _ in range(1000):  # количество повторений
    sample = resample(data, replace=True)
    boot_means.append(np.mean(sample))

conf_int = np.percentile(boot_means, [2.5, 97.5])
print(f"95% доверительный интервал для среднего: {conf_int}")