import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import StandardScaler

# загрузка датасета
data = pd.read_csv('dataset.csv')

# выбор признаков
features = [
    'Curricular units 2nd sem (approved)',
    'Curricular units 2nd sem (grade)',
    'Tuition fees up to date',
    ]
target = 'Target'

X = data[features]
y = data[target]

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

# стандартизация признаков
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# тренируем нейронную сеть MLPClassifier
classifier = MLPClassifier(
    hidden_layer_sizes=(50, 50),  # два скрытых слоя с 50 нейронами каждый
    activation='relu',              # relu функция активации
    solver='adam',                  # оптимизатор на основе стохастического градиента
    alpha=0.0001,                    # L2 штраф (регуляризация)
    max_iter=1000,                   # макс итераций
    learning_rate='constant',        # постоянная скорость обучения
    random_state=42,                # Random начало для воспроизведения результата
    batch_size=32,                   # размер мини партии
    early_stopping=True,             # для предотвращения переобучения
    validation_fraction=0.2,        # 20% данных для проверки
    verbose=True,                   # для оттображения итераций
)
classifier.fit(X_train, y_train)

# предсказываем значение
y_pred = classifier.predict(X_test)

# оцениваем результат
accuracy = np.mean(y_pred == y_test)

print(f'Оценка точности: {accuracy*100:.2f}%')