# Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1
# по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо
# она подходит для решения сформулированной вами задачи.

# Вариант 2 MLPRegressor

# Импортируем необходимые библиотеки
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

import math

# Загрузим данные
df = pd.read_csv('housing.csv')
df.dropna(inplace=True)

# Выберем признаки и целевую переменную (доход)
features_list = ['total_rooms', 'total_bedrooms', 'population', 'households', 'median_income']
features = df[features_list].copy()
target = df['median_house_value'].copy()

# Разделим данные на тренировочный и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, random_state=42)

# Масштабируем признаки и целевую переменную
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# Создаем модель MLPRegressor
mlp_regressor = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=1500, random_state=42)

# Обучаем модель на тренировочных данных
mlp_regressor.fit(X_train_scaled, y_train)

# Делаем предсказания на тестовых данных
predictions = mlp_regressor.predict(X_test_scaled)

# Оцениваем производительность модели
mse = mean_squared_error(y_test, predictions)
mae = mean_absolute_error(y_test, predictions)
r2 = r2_score(y_test, predictions)

print(f"Среднеквадратичная ошибка (MSE): {round(math.sqrt(mse), 2)}%")
print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")