# Константы и глобальные переменные

STATE = 5962 # значение для параметра random_state
CV = 3 # кол-во фолдов для кросс-валидации

RESULTS = [] # общий список для вывода

# функция, кстати, я как основу я брала как раз ТВОЮ функцию, что ты кидала

def best_model_with_pipe(model, params, features_train, target_train, title, list_num, list_cat):
    '''
    Функция для подбора наилучших гиперпараметров модели с использованием pipeline. Обучает модель на обучающем наборе данных,
    возвращает лучшие: модель, параметры и метрику качества (ROC-AUC). Дополнительно формирует список для отчёта
    по работе различных моделей.
    '''

    num_features = list_num
    cat_features = list_cat

    preprocessor_model = ColumnTransformer(
                                    transformers=[
                                        ('num_imputer', SimpleImputer(strategy='median'), num_features),
                                        ('cat_encoder', OrdinalEncoder(), cat_features)], remainder='passthrough')

    pipeline_model = Pipeline(
                            steps=[
                                ('preprocessor', preprocessor_model),
                                ('model', model)
                                    ])

    gs_model = GridSearchCV(pipeline_model,
                            param_grid=params,
                            scoring='roc_auc',
                            cv=CV,
                            verbose=10,
                            n_jobs=-1)

    gs_model.fit(features_train, target_train)

    best_model = gs_model.best_estimator_
    best_params = gs_model.best_params_
    best_score = gs_model.best_score_

    RESULTS.append({'model_name': title,
                    'model': gs_model.best_estimator_,
                    'model_params': gs_model.best_params_,
                    'ROC-AUC': gs_model.best_score_})

    return best_model, best_params, best_score

# пример вызова функции

lgbm_model_pipe = LGBMClassifier(random_state=STATE, class_weight='balanced')
lgbm_params_pipe = {'model__n_estimators': np.arange(30, 101, 10),
                    'model__max_depth': np.arange(12, 25, 3)}

best_model_with_pipe(lgbm_model_pipe, lgbm_params_pipe, X, y, 'LGBM', numerical_features, categorical_features)