# Функция для подбора наилучших гиперпараметров модели
# Обучает модель на обучающем наборе данных, возвращает лучшие: модель, параметры и метрику качества (ROC-AUC)
# Дополнительно формирует список для отчёта по работе различных моделей

# Стратегии для заполнения пропусков 'mean', 'median', 'most_frequent', 'const'

def best_model(model, params, features, target, title, list_num, list_cat):
    num_features = list_num
    cat_features = list_cat

    preprocessor_model = ColumnTransformer(
                                    transformers=[
                                        ('num_imputer', SimpleImputer(strategy='median'), num_features),
                                        ('cat_imputer', SimpleImputer(strategy='most_frequent'), cat_features)
                                                    ])

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

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

    gs_model.fit(features, target)

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

    params_out.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

# Создаем модель и список параметров
lgbm_model = LGBMClassifier(random_state=STATE)
lgbm_params = {'model__n_estimators': np.arange(50, 251, 50),
               'model__max_depth': np.arange(5, 11),
               'model__learning_rate': [.5, .8]}

# Вызов функции
lgbm, lgbm_best_params, lgbm_score = best_model(lgbm_model, lgbm_params, X, y, 'LGBM', numerical_features, categorical_features)