без цикла можно обойтись почти всегда

А я правильно понимаю, что boruta отбирает важные переменные. Их по ним можно построить линейную регрессию. Но как быть, например, с взаимодействиями факторов?
Например, наличие камина не значимо в определении цены, а наличие камина и бассейна вместе имеют влияние на цену. Как boruta работает в таком случае?

Борута плохо выбирает признаки для линейной регрессии

Сначала лучше настроить самому все интересные взаимодействия, а борута их уже отберёт

А для логистической хорошо работает?

Тоже плохо. Старая добрая l1-регуляризация работает лучше

Если есть желание экзотики для, линейных моделей, попробуйте Boostaroota

Тот же принцип, только строит xgboost

Борута считает важность фичей почти по-честному (немного не дотягивает до честного shaply value) , строя случайный лес, оэтому когда фичей много (больше сотни), она может не успеть все просчитать, тогда конечно линейка с l1 будет лучше. Но если нет надежды что данные линейные, то быстрота лассо регрессии будет вам без толку. Я бы все равно использовал боруту, просто последовательно выкидывая самые не важные фичи и запуская ее по новой на увеличивающимся наборе данных

ну или можно первый раз пройтись lgbm, только там нужно выбрать total cover в качестве важности, он ближе всех к shaply

Попадалась статья про то, что и shapley отнюдь не идеален как механизм отбора фичей.

ну он медленный, ему нужно перебрать 2^n от числа фичей комбинаций, а про качество мне сложно представить его косяки, наверно есть какие-то, хз

правильно понимаю, что условием будет тождественность переменной с лагом вперед и с лагом назад?  Там где true - делаем замену

да

спасибо за наводку

Никто не в курсе, куда делить видеолекции и лабы в R отсюда? https://www.openintro.org/book/stat/

У Рундель-Четинской (или как её там) вроде на Datacamp курс был по мотивам, может поэтому убрали?

https://m.habr.com/ru/company/aligntechnology/blog/303750/ это моя статья, я там несколько видов выбора фичей рассмотрел

Может, поможет