# 6 вариант
# Данные: make_classification (n_samples=500, n_features=2,
# n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
# Модели:
# · Линейная регрессия
# · Полиномиальная регрессия (со степенью 4)
# · Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression, LinearRegression
from sklearn.preprocessing import PolynomialFeatures, StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.neural_network import MLPClassifier
from sklearn.linear_model import Ridge

# Задаем параметры генерации данных
n_samples = 500
n_features = 2
n_redundant = 0
n_informative = 2
random_state = 42
n_clusters_per_class = 1


def main():
    # Генерация данных
    X, y = make_classification(n_samples=n_samples,
                               n_features=n_features,
                               n_redundant=n_redundant,
                               n_informative=n_informative,
                               random_state=random_state,
                               n_clusters_per_class=n_clusters_per_class)
    # Тестовая и обучающая выборки
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.65, random_state=random_state)

    # Создание моделей
    linear_regression(X_train, X_test, y_train, y_test)
    polin_regression_4(X_train, X_test, y_train, y_test)
    gr_polin_regression_4(X_train, X_test, y_train, y_test)

# Создание линейной регрессии
def linear_regression(X_train, X_test, y_train, y_test):
    linear_regression = LogisticRegression()
    linear_regression.fit(X_train, y_train)
    linear_regression_score = linear_regression.score(X_train, y_train)

    linear_pred = linear_regression.predict(X_test)

    plt.scatter(X_test[:, 0], X_test[:, 1], c=linear_pred, cmap="bwr")
    plt.title("Линейная регрессия")
    plt.xlabel("Признак 1")
    plt.ylabel("Признак 2")
    plt.show()
    print("Линейная регрессия: {}".format(linear_regression_score))

#Создание полиномиальной регрессии со степенью 4
def polin_regression_4(X_train, X_test, y_train, y_test):
    poly_regression = make_pipeline(PolynomialFeatures(degree=4), LogisticRegression())
    poly_regression.fit(X_train, y_train)
    polynomial_regression_score = poly_regression.score(X_train, y_train)

    poly_pred = poly_regression.predict(X_test)

    plt.scatter(X_test[:, 0], X_test[:, 1], c=poly_pred, cmap="bwr")
    plt.title("Полиномиальная регрессия")
    plt.xlabel("Признак 1")
    plt.ylabel("Признак 2")
    plt.show()
    print("Полиномиальная регрессия: {}".format(polynomial_regression_score))



#Создание гребневой полиномиальной регрессии со степенью 4 и alpha = 1.0
def gr_polin_regression_4(X_train, X_test, y_train, y_test):
    ridge_regression = make_pipeline(PolynomialFeatures(degree=4), Ridge(alpha=1.0))
    ridge_regression.fit(X_train, y_train)
    ridge_regression_score = ridge_regression.score(X_train, y_train)

    ridge_pred = ridge_regression.predict(X_test)

    plt.scatter(X_test[:, 0], X_test[:, 1], c=ridge_pred, cmap="bwr")
    plt.title("Гребневая полиномиальная регрессия")
    plt.xlabel("Признак 1")
    plt.ylabel("Признак 2")
    plt.show()
    print("Гребневая полиномиальная регрессия: {}".format(ridge_regression_score))

main()