Pipeline with TargetEncoder, StandardScaler and Ridge using RandomizedSearchCV

import pandas as pd
import numpy as np
from sklearn.pipeline import make_pipeline
from sklearn.compose import make_column_transformer
from sklearn.preprocessing import StandardScaler
from category_encoders.target_encoder import TargetEncoder
from sklearn.linear_model import Ridge
from sklearn.model_selection import RandomizedSearchCV

# Загрузка данных
data = pd.read_csv('data.csv')

# Разделение на признаки и целевую переменную
X = data.drop('target', axis=1)
y = data['target']

# Определение категориальных и числовых признаков
cat_features = X.select_dtypes(include=['object']).columns.tolist()
num_features = X.select_dtypes(include=['float64', 'int64']).columns.tolist()

# Создание трансформера для категориальных признаков с использованием TargetEncoder
cat_transformer = TargetEncoder()

# Создание трансформера для числовых признаков с использованием StandardScaler
num_transformer = StandardScaler()

# Создание ColumnTransformer для объединения трансформеров категориальных и числовых признаков
preprocessor = make_column_transformer(
    (cat_transformer, cat_features),
    (num_transformer, num_features)
)

# Создание пайплайна с применением Ridge регрессии и ColumnTransformer для предобработки данных
pipe = make_pipeline(preprocessor, Ridge())

# Определение гиперпараметров для RandomizedSearchCV
param_distributions = {
    'ridge__alpha': np.logspace(-4, 4, 20),
}

# Создание объекта RandomizedSearchCV для подбора гиперпараметров модели с использованием кросс-валидации
search = RandomizedSearchCV(pipe, param_distributions=param_distributions, cv=5)

# Обучение модели и подбор гиперпараметров с использованием кросс-валидации
search.fit(X, y)

# В данном примере мы загружаем данные из файла ‘data.csv’, разделяем на признаки и целевую переменную. Затем определяем категориальные и числовые признаки. Для категориальных признаков мы используем TargetEncoder для кодирования. Для числовых признаков мы используем StandardScaler для масштабирования. Затем мы объединяем трансформеры в ColumnTransformer и создаем пайплайн с применением Ridge регрессии. Мы также определяем гиперпараметры для RandomizedSearchCV и создаем объект RandomizedSearchCV для подбора гиперпараметров модели с использованием кросс-валидации. Наконец, мы обучаем модель и подбираем гиперпараметры с использованием кросс-валидации.