from flask import Flask, request, render_template
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFE, f_regression
from sklearn.ensemble import RandomForestRegressor
from sklearn.preprocessing import MinMaxScaler
import numpy as np

app = Flask(__name__)

# Генерируем случайные данные
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, size))
X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))

# Определяем и обучаем модели
lr = LinearRegression()

# Используем f_regression вместо RFE для линейной корреляции
f_values, _ = f_regression(X, Y)
lr.fit(X, Y)

rf = RandomForestRegressor(n_estimators=100)
rf.fit(X, Y)

# Словарь для хранения результатов оценок
feature_rankings = {}


# Функция для ранжирования признаков с использованием линейной регрессии
def rank_lr():
    coef = lr.coef_
    ranking = np.abs(coef)
    ranking = min_max_scale(ranking)
    return ranking


# Функция для ранжирования признаков с использованием RFE
def rank_rfe():
    rfe = RFE(lr, n_features_to_select=2)
    rfe.fit(X, Y)
    ranking = rfe.ranking_
    ranking = min_max_scale(ranking)
    return ranking


# Функция для ранжирования признаков с использованием Random Forest
def rank_rf():
    importances = rf.feature_importances_
    importances = min_max_scale(importances)
    return importances


# Функция для масштабирования оценок в диапазоне [0, 1]
def min_max_scale(arr):
    scaler = MinMaxScaler()
    scaled = scaler.fit_transform(np.array(arr).reshape(-1, 1))
    return scaled


# Функция для выполнения ранжирования и вычисления средней оценки
def rank_features():
    feature_rankings['Linear Regression'] = rank_lr()
    feature_rankings['RFE'] = rank_rfe()
    feature_rankings['Random Forest'] = rank_rf()
    # Средняя оценка
    mean_ranking = np.mean(list(feature_rankings.values()), axis=0)
    feature_rankings['Mean Ranking'] = mean_ranking

    # Получите индексы 4 самых важных признаков
    top_4_indices = np.argsort(mean_ranking)[-4:][::-1]

    # Получите названия признаков по индексам
    top_4_feature_names = [f'Признак {i + 1}' for i in top_4_indices]

    # Добавьте значения X и Y в контекст
    return {
        'feature_rankings': feature_rankings,
        'X_values': X.tolist(),
        'Y_values': Y.tolist(),
        'top_4_feature_names': top_4_feature_names  # Добавляем самые важные признаки
    }


@app.route('/', methods=['GET', 'POST'])
def index():
    if request.method == 'POST':
        context = rank_features()
        return render_template('index.html', **context)
    return render_template('index.html', feature_rankings=feature_rankings)


if __name__ == '__main__':
    app.run(debug=True)