import numpy as np
import matplotlib.pyplot as plt

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from sklearn.decomposition import PCA

# ============================
# 1. Загрузка данных
# ============================
iris = load_iris()
X = iris.data
y = iris.target

# ============================
# 2. Добавление шума
# ============================
np.random.seed(42)
noise = np.random.normal(0, 0.5, X.shape)  # среднее 0, стандартное отклонение 0.5
X_noisy = X + noise

# ============================
# 3. Разделение на обучающую и тестовую выборки
# ============================
X_train, X_test, y_train, y_test = train_test_split(
    X_noisy, y, test_size=0.3, random_state=42
)

# ============================
# 4. Снижение размерности для визуализации
# ============================
pca = PCA(n_components=2)
X_train_2d = pca.fit_transform(X_train)
X_test_2d = pca.transform(X_test)

# ============================
# 5. Список классификаторов
# ============================
classifiers = {
    "Logistic Regression": LogisticRegression(max_iter=1000),
    "Decision Tree": DecisionTreeClassifier(),
    "K-Nearest Neighbors": KNeighborsClassifier()
}

# ============================
# 6. Обучение, кросс-валидация и метрики
# ============================
for name, clf in classifiers.items():
    print(f"\n=== {name} ===")
    
    # Кросс-валидация на обучающей выборке
    cv_scores = cross_val_score(clf, X_train, y_train, cv=5)
    print("Точность на фолдах:", cv_scores)
    print("Средняя точность по кросс-валидации:", np.mean(cv_scores))
    
    # Обучение на всей обучающей выборке
    clf.fit(X_train, y_train)
    
    # Предсказание на тестовой выборке
    y_pred = clf.predict(X_test)
    
    # Метрики качества
    accuracy = accuracy_score(y_test, y_pred)
    precision = precision_score(y_test, y_pred, average="macro")
    recall = recall_score(y_test, y_pred, average="macro")
    f1 = f1_score(y_test, y_pred, average="macro")
    
    print("Accuracy:", accuracy)
    print("Precision:", precision)
    print("Recall:", recall)
    print("F1-score:", f1)
    
    # ============================
    # Визуализация
    # ============================
    plt.figure(figsize=(12, 5))
    
    # 1) Истинные метки
    plt.subplot(1, 2, 1)
    for i, color in zip(range(3), ['red', 'green', 'blue']):
        plt.scatter(X_test_2d[y_test==i, 0], X_test_2d[y_test==i, 1], c=color, label=iris.target_names[i])
    plt.title(f"{name} — Истинные метки")
    plt.xlabel("Компонента 1")
    plt.ylabel("Компонента 2")
    plt.legend()
    plt.grid(True)
    
    # 2) Предсказанные метки
    plt.subplot(1, 2, 2)
    for i, color in zip(range(3), ['red', 'green', 'blue']):
        plt.scatter(X_test_2d[y_pred==i, 0], X_test_2d[y_pred==i, 1], c=color, label=iris.target_names[i])
    plt.title(f"{name} — Предсказанные метки")
    plt.xlabel("Компонента 1")
    plt.ylabel("Компонента 2")
    plt.legend()
    plt.grid(True)
    
    plt.tight_layout()
    plt.show()