"""
Использовать нейронную сеть по варианту для ваших данных по варианту, самостоятельно сформулировав задачу.
Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
"""

"""
Задача, решаемая нейронной сетью:
Регрессия: Предсказание популярности нового музыкального трека на основе его определённых характеристик.
"""

# 12 вариант
# Набор данных по курсовой: "Prediction of music genre"
# Модель мейронной сети: MLPRegressor

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn import metrics
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split



DATASET_FILE = 'music_genre.csv'


def main():
    df = open_dataset(DATASET_FILE) # берём полный набор данных
    print("\033[92m[----------> Набор данных <----------]\033[00m")
    print(df)

    # Перевод ладов (минор/мажор) в числовые признаки
    df_music = df.copy()
    df_music['mode'] = df_music['mode'].apply(lambda x: 1 if x == 'Major' else 0)

    X = df_music.drop(columns=['popularity'])  # характеристики музыкального трека
    y = df_music['popularity']  # уровень популярности

    # Разделение датасета на тренировочные (99%) и тестовые данные (1%)
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01)

    model = MLPRegressor(
        # несколько размеров слоёв и узлов
        hidden_layer_sizes=(50, 50, 50, 50,),
        # функция активации (relu, tanh, identity)
        activation='relu',
        max_iter=2000
    )
    model.fit(X_train, y_train)

    # Предсказание на тестовых данных
    y_pred = model.predict(X_test)

    print("\033[92m[----------> Оценка модели <----------]\033[00m")
    print("Коэффициент детерминации = ",
          round(metrics.r2_score(y_test, y_pred), 3))
    print("Потери регрессии среднеквадратичной логарифмической ошибки = ",
          round(metrics.mean_squared_log_error(y_test, y_pred), 3))

    # График для наглядности
    sns.regplot(x=y_test, y=y_pred, scatter_kws={'s': 10}, line_kws={'color': 'red'})
    plt.xlabel('Реальность')
    plt.ylabel('Предсказание')
    plt.title('MLPRegressor на примере популярности треков')
    plt.savefig("1_plot_result")
    plt.show()


# Функция считывания и очищения csv-файла
def open_dataset(csv_file):
    # открываем файл с указанием знака-отделителя
    df = pd.read_csv(csv_file, delimiter=',')
    # выбираем необходимые признаки
    df = df[['mode', 'tempo', 'instrumentalness', 'acousticness', 'speechiness', 'danceability',
             'energy', 'liveness', 'valence', 'loudness', 'popularity']]
    # очищаем набор данных от пустых и неподходящих значений
    df = df[df['tempo'] != '?']
    df = df.dropna()
    return df



if __name__ == "__main__":
    main()