# Исправление ошибки размерности массива для метода Надарая-Ватсона

def nadaraya_watson(X, y, X_test, bandwidth=0.5):
    # Преобразуем X и X_test к правильной двумерной форме
    X = X.reshape(-1, 1)
    X_test = X_test.reshape(-1, 1)

    # Используем KernelDensity для оценки
    kde = KernelDensity(kernel='gaussian', bandwidth=bandwidth).fit(X, y)
    log_density = kde.score_samples(X_test)
    return np.exp(log_density)

# Генерация данных
X, y = generate_data()
X_noise, y_noise = generate_data(noise_level=1)
X_test = np.linspace(0, 10, 500)

# Применяем методы Надарая-Ватсона и Лоулесса
y_nw = nadaraya_watson(X, y, X_test)
y_lowess = lowess(X, y)

# Визуализация результатов
plt.figure(figsize=(12, 6))

# Nadaraya-Watson
plt.subplot(1, 2, 1)
plt.scatter(X, y, color='blue', label='Data without noise')
plt.scatter(X_noise, y_noise, color='orange', label='Data with noise')
plt.plot(X_test, y_nw, color='red', label='Nadaraya-Watson')
plt.title('Nadaraya-Watson Regression')
plt.legend()

# Lowess
plt.subplot(1, 2, 2)
plt.scatter(X, y, color='blue', label='Data without noise')
plt.scatter(X_noise, y_noise, color='orange', label='Data with noise')
plt.plot(X, y_lowess, color='green', label='Lowess')
plt.title('Lowess Regression')
plt.legend()

plt.show()