#выбираем лучший алгоритм и максимальное число итераций для логистической регрессии
best_model = None
best_result = 0
best_max_iter = 0
best_solver = []
solvers = ["lbfgs","newton-cg","liblinear"]

#задаем число максимальных итераций от 100 до 2000 с шагом 50
#и алгоритм
for max_iter in range(100, 2001, 50):
    for solver in solvers:
        #инициализируем модель
        model = LogisticRegression(random_state=12345,
                                   solver=solver, max_iter=max_iter)
        #обучаем модель на тренировочной выборке
        model.fit(data_train_features, data_train_target)
        #получаем предсказания модели на валидационной выборке
        predictions_valid = model.predict(data_val_features)
        #считаем значение метрики accuracy на валидационной выборке
        result_valid = accuracy_score(data_val_target, predictions_valid)
        #выбираем лучшие параметры max_iter и solver
        if result_valid > best_result:
            best_model = model
            best_result = result_valid
            best_max_iter = max_iter
            best_solver = solver
#выводим лучшие значения accuracy, количества итераций и алгоритма
print("Accuracy наилучшей модели на валидационной выборке:", best_result,
          "Количество итераций:", max_iter, "Алгоритм:", best_solver)