import numpy as np
from sklearn.linear_model import Ridge, LinearRegression
from sklearn.ensemble import RandomForestRegressor
from sklearn.feature_selection import RFE

''' 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
rs = 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)  # Создаём модель гребневой регрессии и обучаем её
ridge.fit(X, Y)

recFE = RFE(LinearRegression(), n_features_to_select=1)  #
recFE.fit(X, Y)

rfr = RandomForestRegressor()  # Создаём и обучаем регрессор случайного леса
rfr.fit(X, Y)

models = [('Гребневая регрессия', ridge),
          ('RFE', recFE),
          ('RFR', rfr)]

for name, model in models:
    pass