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

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

Вариант 5.
Гребневая регрессия (Ridge), Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE),
Сокращение признаков Случайными деревьями (Random Forest Regressor).
'''

# создание данных
random_state = np.random.RandomState(2)
X, y = make_regression(n_samples=750, n_features=15, noise=0.1, random_state=random_state)
data = pd.DataFrame(X, columns=[f'Признак {i}' for i in range(X.shape[1])])
data['Целевая переменная'] = y
X = data.drop('Целевая переменная', axis=1)
y = data['Целевая переменная']

ridge = Ridge(alpha=1)  # Гребневая регрессия
ridge.fit(X, y)

recFE = RFE(LinearRegression(), n_features_to_select=1)  # Рекурсивное сокращение признаков
recFE.fit(X, y)

rfr = RandomForestRegressor()  # Сокращение признаков Случайными деревьями
rfr.fit(X, y)

models = [('Ridge', ridge),
          ('RFE', recFE),
          ('RFR', rfr)]
model_scores = []

for name, model in models:
    if name == 'Ridge':
        coef = model.coef_
        normalized_coef = MinMaxScaler().fit_transform(coef.reshape(-1, 1))
        model_scores.append((name, normalized_coef.flatten()))
    elif name == 'RFE':
        rankings = model.ranking_
        normalized_rankings = 1 - (rankings - 1) / (np.max(rankings) - 1)
        model_scores.append((name, normalized_rankings))
    elif name == 'RFR':
        feature_importances = model.feature_importances_
        normalized_importances = MinMaxScaler().fit_transform(feature_importances.reshape(-1, 1))
        model_scores.append((name, normalized_importances.flatten()))

for name, scores in model_scores:
    print(f"{name} оценки признаков:")
    for feature, score in enumerate(scores, start=1):
        print(f"Признак {feature}: {score:.2f}")
    print(f"Средняя оценка: {np.mean(scores):.2f}")

all_feature_scores = np.mean(list(map(lambda x: x[1], model_scores)), axis=0)
sorted_features = sorted(enumerate(all_feature_scores, start=1), key=lambda x: x[1], reverse=True)
top_features = sorted_features[:4]
print("Четыре наиболее важных признака:")
for feature, score in top_features:
    print(f"Признак {feature}: {score:.2f}")