import pandas as pd
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# Загрузим данные из файла (пример)
data = pd.read_csv("ufo_sighting_data.csv")

# Проверим наличие пропущенных значений
print(data.isna().sum())

# Заменим пропущенные значения в категориальных столбцах на наиболее часто встречающиеся значения
data['state/province'].fillna(data['state/province'].mode()[0], inplace=True)
data['country'].fillna(data['country'].mode()[0], inplace=True)
data['UFO_shape'].fillna(data['UFO_shape'].mode()[0], inplace=True)

# Избавимся от пропущенных значений в числовых столбцах
data = data.dropna(subset=['UFO_shape'])

# Преобразуем текстовые атрибуты в числовые значения
label_encoder = LabelEncoder()
data['UFO_shape'] = label_encoder.fit_transform(data['UFO_shape'])

# Выделим атрибуты и целевую переменную
X = data[['UFO_shape', 'length_of_encounter_seconds', 'latitude', 'longitude']]
y = data['UFO_shape']

# Разделим данные на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Создадим и обучим модель
model = MLPClassifier(hidden_layer_sizes=(100,), max_iter=1000, random_state=42)
model.fit(X_train, y_train)

# Получим предсказания на тестовой выборке
y_pred = model.predict(X_test)

# Оценим точность модели
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)