import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
import seaborn as sns

# Загрузка датасета
data = pd.read_csv('train_bikes.csv', sep=',').dropna()

data['is_holiday'] = data['holiday'].apply(lambda x: 1 if x == 1 else 0)
data['is_workingday'] = data['workingday'].apply(lambda x: 1 if x == 1 else 0)

# Выбор признаков
features = ['weather', 'temp', 'humidity', 'is_holiday', 'is_workingday']
target = 'count'

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)

# Создание и обучение нейронной сети MLPClassifier
model = MLPClassifier(
    hidden_layer_sizes=(500,),
    activation='relu',
    solver='adam',
    alpha=0.01,
    max_iter=100,
    random_state=42,
    verbose=True,
)
model.fit(X_train, y_train)

# Предсказание значений
y_pred = model.predict(X_test)

# Оценка модели
accuracy = accuracy_score(y_test, y_pred)
print(f'Оценка точности: {accuracy*100:.2f}%')

# Визуализация результатов (гистограмма)
plt.figure(figsize=(10, 6))
sns.scatterplot(x=y_test, y=y_pred, hue=X_test[:, 0], palette='viridis', alpha=0.7, s=80)
plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)], linestyle='--', color='gray', linewidth=2)
plt.xlabel('Фактическое количество арендованных велосипедов')
plt.ylabel('Предсказанное количество арендованных велосипедов')
plt.title('Фактическое vs Предсказанное количество арендованных велосипедов')
plt.legend(title='Погодные условия', loc='upper left')
plt.show()