def compute_bias_variance(regressor, dependence_fun, x_generator=np.random.uniform, noise_generator=np.random.uniform,
                          sample_size=300, samples_num=300, objects_num=200, seed=1234):
    """
    После генерации всех необходимых объектов, должна вызываться функция compute_bias_variance_fixed_samples.

    Рекомендации:
    * Создайте вектор объектов для оценивания интеграла по $x$, затем вектор зашумленных правильных ответов.
      Оцените мат. ожидание шума с помощью генерации отдельной шумовой выборки длины objects_num.
    * Проверить правильность реализации можно на примерах, которые разбирались на семинаре и в домашней работе.

    :param regressor: объект sklearn-класса, реализующего регрессионный алгоритм (например, DecisionTreeRegressor,
     LinearRegression, Lasso, RandomForestRegressor ...)
    :param dependence_fun: функция, задающая истинную зависимость в данных. Принимает на вход вектор и возвращает вектор
     такой же длины. Примеры: np.sin, lambda x: x**2
    :param x_generator: функция, генерирующая одномерную выборку объектов и имеющая параметр size (число объектов в
     выборке). По умолчанию np.random.uniform
    :param noise_generator: функция, генерирующая одномерную выборку шумовых компонент (по одной на каждый объект) и
     имеющая параметр size (число объектов в выборке). По умолчанию np.random.uniform
    :param sample_size: число объектов в выборке
    :param samples_num: число выборок, которые нужно сгенерировать, чтобы оценить интеграл по X
    :param objects_num: число объектов, которые нужно сгенерировать, чтобы оценить интеграл по x
    :param seed: seed для функции np.random.seed

    :return bias: смещение алгоритма regressor (число)
    :return variance: разброс алгоритма regressor (число)
    """
    np.random.seed(seed)
    # ╰( ͡° ͜ʖ ͡° )つ──☆*:・ﾟ
    x = x_generator(size=objects_num)
    X = np.ndarray((samples_num, sample_size))
    noise = np.ndarray((samples_num, sample_size))
    for i in range(samples_num):
        X[i] = x_generator(size=sample_size)
        noise[i] = noise_generator(size=sample_size)
    mean_noise = noise_generator(size=objects_num).mean()


    return compute_bias_variance_fixed_samples(
        regressor, dependence_fun, X, x, noise, mean_noise)



def compute_bias_variance_fixed_samples(regressor, dependence_fun, samples, objects, noise, mean_noise):
    """
    В качестве допущения, будем оценивать $E_X\left[\mu(X)\right](x)$ как средний ответ на $x$ из samples_num
    алгоритмов, обученных на своих подвыборках $X$

    Рекомендации:
    * $\mathbb{E}[y|x]$ оценивается как сумма правильного ответа на объекте и мат. ожидания шума
      $\mathbb{E}_X [\mu(X)]$ оценивается как в предыдущей задаче: нужно обучить regressor на samples_num выборках длины
       sample_size и усреднить предсказания на сгенерированных ранее объектах.

    :param regressor: объект sklearn-класса, реализующего регрессионный алгоритм (например, DecisionTreeRegressor,
     LinearRegression, Lasso, RandomForestRegressor ...)
    :param dependence_fun: функция, задающая истинную зависимость в данных. Принимает на вход вектор и возвращает вектор
     такой же длины. Примеры: np.sin, lambda x: x**2
    :param samples: samples_num выборк длины sample_size для оценки интеграла по X
    :param objects: objects_num объектов для оценки интеграла по x
    :param noise: шумовая компонента размерности (samples_num, sample_size)
    :param mean_noise: среднее шумовой компоненты

    :return bias: смещение алгоритма regressor (число)
    :return variance: разброс алгоритма regressor (число)
    """
    samples_num, sample_size = samples.shape
    objects_num = objects.size
    targets = dependence_fun(samples) + noise

    mu = np.ndarray((samples_num, objects_num))
    bias = np.zeros(objects_num)
    variance = np.zeros(objects_num)

    for i in range(samples_num):
        sample = samples[i]
        target = targets[i]

        regressor.fit(X=sample[:, np.newaxis], y=target)

        # compute expected value of method mu(X)(x)
        for j in range(objects_num):
            obj = objects[j]
            mu[i][j] = regressor.predict(obj)

    for j in range(objects_num):
        obj = objects[j]
        EXmu = mu[:, j].mean()
        bias[j] = EXmu - (dependence_fun(obj) + mean_noise)
        variance[j] = ((mu[:, j] - EXmu)**2).mean()


    bias = (bias**2).mean()
    variance = variance.mean()

    return bias, variance