import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error

# Генерация случайной выборки с шумом
np.random.seed(0)
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y_true = np.sin(X).ravel()
y = y_true + 0.1 * np.random.randn(80)

# Реализация метода Надарая-Ватсона
def nadaraya_watson(X_train, y_train, x, h):
    kernel = np.exp(-0.5 * ((X_train - x) / h) ** 2)
    return np.sum(kernel * y_train) / np.sum(kernel)

# Реализация метода Lawless
def lawless(X_train, y_train, x, h):
    kernel = np.exp(-0.5 * ((X_train - x) / h) ** 2)
    return np.sum(kernel * y_train) / np.sum(kernel**2)

# Генерация точек для оценки регрессии
x_plot = np.linspace(0, 5, 1000)

# Вычисление оценок для метода Надарая-Ватсона и Lawless
h = 0.1
y_nadaraya_watson = [nadaraya_watson(X, y, x, h) for x in x_plot]
y_lawless = [lawless(X, y, x, h) for x in x_plot]

# Визуализация результатов
plt.figure(figsize=(10, 6))
plt.scatter(X, y, c='r', label='Выборка с шумом')
plt.plot(x_plot, y_true, label='Истинная функция', linewidth=2)
plt.plot(x_plot, y_nadaraya_watson, label='Метод Надарая-Ватсона', linewidth=2)
plt.plot(x_plot, y_lawless, label='Метод Lawless', linewidth=2)
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.title('Регрессия методом Надарая-Ватсона и Lawless')
plt.show()