#загружаем библиотеки
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

#инициализируем модель поиска
model_1 = RandomForestClassifier()
#задаем гиперпараметры
parametrs = { 'n_estimators': range (10, 51, 10),
              'max_depth': range (1,13, 2),
              'min_samples_leaf': range (1,8),
              'min_samples_split': range (2,10,2) }

#запускаем поиск и обучение
grid = GridSearchCV(model_1, parametrs, cv=5)
grid.fit(data_train_features, data_train_target)
#сохраняем и выводим найденные гиперпараметры
params = grid.best_params_
params


#инициализируем модель случайного леса с найденными автоматически гиперпараметрами
model_1 = RandomForestClassifier(random_state=12345,
                        max_depth = params['max_depth'],
                                 min_samples_leaf = params['min_samples_leaf'],
                                 min_samples_split = params['min_samples_split'],
                                 n_estimators = params['n_estimators']
                                )

#обучаем модель на тренировочной выборке
model_1.fit(data_train_features, data_train_target)

#предсказываем на тренировочной выборке
train_predictions = model_1.predict(data_train_features)
#рассчитываем accuracy на тренировочной выборке
accuracy_train = accuracy_score(data_train_target, train_predictions)

#предсказываем на валидацинной выборке
valid_predictions = model_1.predict(data_val_features)
#рассчитываем accuracy на валидационной выборке
accuracy_valid = accuracy_score(data_val_target, valid_predictions)

#предсказываем на тестовой выборке
test_predictions = model_1.predict(data_test_features)
#рассчитываем accuracy на тестовой выборке
accuracy_test_forest = accuracy_score(data_test_target, test_predictions)

#сравниваем результаты
print("Accuracy 'Случайного леса'")
print("Тренировочная выборка:", accuracy_train)
print("Валидационная выборка:", accuracy_valid)
print("Тестовая выборка:", accuracy_test_forest)