import numpy as np
import matplotlib.pyplot as plt
from lightgbm import LGBMRegressor

# === Données non linéaires ===
np.random.seed(0)
X = np.linspace(0, 10, 200).reshape(-1, 1)
y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])  # sinusoïde + bruit

# === Entraînement du modèle ===
model = LGBMRegressor(
    n_estimators=300,   # nombre d’arbres
    learning_rate=0.05, # taux d’apprentissage (plus petit = plus lisse)
    max_depth=5         # profondeur des arbres (plus grand = plus complexe)
)
model.fit(X, y)

# === Prédiction ===
X_test = np.linspace(0, 10, 500).reshape(-1, 1)
y_pred = model.predict(X_test)

# === Visualisation ===
plt.figure(figsize=(10, 5))
plt.scatter(X, y, color="lightgray", label="Données réelles (sin + bruit)", s=20)
plt.plot(X_test, np.sin(X_test), color="green", linestyle="--", label="sin(x) réel")
plt.plot(X_test, y_pred, color="red", label="Prédiction LGBM")
plt.title("Approximation non linéaire avec LGBMRegressor")
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid(True)
plt.show()