graphs

from sklearn.ensemble import IsolationForest
from sklearn.cluster import DBSCAN
from sklearn.neighbors import LocalOutlierFactor
from sklearn.covariance import EllipticEnvelope
from sklearn.svm import OneClassSVM
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import seaborn as sns

# --- Préparation des données ---
X = df_merged[features_cols].copy()
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# --- PCA pour visualisation ---
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
df_vis = pd.DataFrame(X_pca, columns=['pca1', 'pca2'])

# --- Dictionnaire des méthodes à tester ---
models = {
    "Isolation Forest": IsolationForest(contamination=0.05, random_state=42),
    "One-Class SVM": OneClassSVM(nu=0.05, kernel="rbf", gamma='scale'),
    "Local Outlier Factor": LocalOutlierFactor(n_neighbors=20, contamination=0.05),
    "Elliptic Envelope": EllipticEnvelope(contamination=0.05, random_state=42),
    "DBSCAN": DBSCAN(eps=0.5, min_samples=5)
}

# --- Boucle sur les modèles ---
for name, model in models.items():
    try:
        # --- Prédiction ---
        if name == "Local Outlier Factor":
            y_pred = model.fit_predict(X_scaled)
        elif name == "DBSCAN":
            y_pred = model.fit_predict(X_scaled)
        else:
            model.fit(X_scaled)
            y_pred = model.predict(X_scaled)

        # --- Marquage des anomalies ---
        anomalies = (y_pred == -1).astype(int)
        df_vis[f"{name}_anomaly"] = anomalies

        # --- Visualisation ---
        plt.figure(figsize=(9, 6))
        sns.scatterplot(
            x='pca1',
            y='pca2',
            hue=df_vis[f"{name}_anomaly"],
            palette={0: 'blue', 1: 'red'},
            data=df_vis,
            alpha=0.6
        )
        plt.title(f"📊 {name} - Détection d'anomalies (projection PCA)")
        plt.xlabel("Composante principale 1")
        plt.ylabel("Composante principale 2")
        plt.legend(title='Anomalie', labels=['Normal', 'Suspect'])
        plt.grid(True)
        plt.show()

    except Exception as e:
        print(f"⚠️ Erreur avec le modèle {name} : {e}")




# --- Résumé du nombre d'anomalies par méthode ---
anomaly_summary = {}

for name in models.keys():
    col_name = f"{name}_anomaly"
    if col_name in df_vis.columns:
        anomaly_count = df_vis[col_name].sum()
        anomaly_summary[name] = anomaly_count

# Affichage du résumé
print("\n📊 Nombre d'anomalies détectées par méthode :")
for method, count in anomaly_summary.items():
    print(f"- {method}: {count} anomalies")

# --- Sélection de la méthode la plus conservatrice (moins d'anomalies) ---
best_method = min(anomaly_summary, key=anomaly_summary.get)
print(f"\n✅ La méthode la plus conservatrice est : **{best_method}** avec {anomaly_summary[best_method]} anomalies détectées.")