import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFE
from sklearn.ensemble import RandomForestRegressor
from sklearn.preprocessing import MinMaxScaler

# Используя код из [1](пункт «Решение задачи ранжирования признаков», стр.  205),
# выполните  ранжирование признаков с помощью указанных по варианту моделей.
# Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку.
# Проведите анализ получившихся результатов.
# Какие четыре признака оказались самыми важными по среднему значению?
# (Названия\индексы признаков и будут ответом на задание).

# Линейная регрессия (LinearRegression)
# Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
# Сокращение признаков Случайными деревьями (Random Forest Regressor)

# Модели
model_LR = LinearRegression()
model_RFE = RFE(LinearRegression(), n_features_to_select=1)
model_RFR = RandomForestRegressor()

# Оценки моделей
model_scores = {}

# Cлучайные данные для регрессии
def generation_data_and_start():
    np.random.seed(0)
    size = 750
    X_ = np.random.uniform(0, 1, (size, 14))
    y_ = (10 * np.sin(np.pi * X_[:, 0] * X_[:, 1]) + 20 * (X_[:, 2] - .5) ** 2 +
         10 * X_[:, 3] + 5 * X_[:, 4] ** 5 + np.random.normal(0, 1))
    X_[:, 10:] = X_[:, :4] + np.random.normal(0, .025, (size, 4))

    # DataFrame для данных
    data = pd.DataFrame(X_)
    data['y'] = y_

    models_study_and_scores(data.drop('y', axis=1), data['y'])
    print_scores()

# Обучение и оценка моделей
def models_study_and_scores(X, y):

    # Линейная регрессия
    model_LR.fit(X, y)
    # Нормализация коэффициентов признаков
    norm_coef = MinMaxScaler().fit_transform(np.abs(model_LR.coef_).reshape(-1, 1))
    model_scores["Линейная регрессия"] = norm_coef.flatten()

    # Рекурсивное сокращение признаков
    model_RFE.fit(X, y)
    # Нормализация рангов
    norm_rank = 1 - (model_RFE.ranking_ - 1) / (np.max(model_RFE.ranking_) - 1)
    model_scores["Рекурсивное сокращение признаков"] = norm_rank

    # Сокращение признаков Случайными деревьями
    model_RFR.fit(X, y)
    # Нормализация значений важности признаков
    norm_imp = MinMaxScaler().fit_transform(model_RFR.feature_importances_.reshape(-1, 1))
    model_scores["Сокращение признаков Случайными деревьями"] = norm_imp.flatten()

# Вывод оценок
def print_scores():
    print()
    print(f"---- Оценки признаков ----")
    print()
    for name, scores in model_scores.items():
        print(f"{name}:")
        for feature, score in enumerate(scores, start=1):
            print(f"Признак №{feature}: {score:.3f}")
        print(f"Средняя оценка признаков: {np.mean(scores):.3f}")
        print()

    # 4 наиболее важных признака по среднему значению
    scores = np.mean(list(model_scores.values()), axis=0)
    sorted_f = sorted(enumerate(scores, start=1), key=lambda x: x[1], reverse=True)
    imp_features = sorted_f[:4]
    print("Четыре наиболее важных признака:")
    for f, score in imp_features:
        print(f"Признак №{f}: {score:.3f}")

generation_data_and_start()