import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix


def main():
    # Чтение данных из файла
    data = pd.read_csv('Clean Data_pakwheels.csv')
    # Выбор лишь части значений для оптимизации работы программы
    data = data.sample(frac=.1)
    # Выбор необходимых столбцов
    features = ['Model Year', 'Mileage', 'Registration Status']
    # Выбор данных из датасета
    df = data[features]
    # Split into features and target variable
    y = df['Registration Status']
    X = df.drop('Registration Status', axis=1)
    # Разделение на обучающую и тестовую выборки
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
    # Создание и обучение модели нейросети MLPClassifier
    model = MLPClassifier(random_state=0)
    model.fit(X_train, y_train)
    # Предсказания на тестовом наборе
    y_pred = model.predict(X_test)
    # Оценка модели
    accuracy = accuracy_score(y_test, y_pred)
    conf_matrix = confusion_matrix(y_test, y_pred)
    class_report = classification_report(y_test, y_pred)
    print(f'Accuracy: {accuracy}')
    print(f'Classification Report:\n{class_report}')

    # Создание графика, его отображение и сохранение
    plt.hist(y_pred, bins=np.arange(3) - 0.5, alpha=0.75, color='Red', label='Предсказываемые')
    plt.hist(y_test, bins=np.arange(3) - 0.5, alpha=0.5, color='Black', label='Действительные')

    plt.xticks([0, 1], ['Зарегистрирована', 'Не зарегистрирована'])
    plt.legend()
    plt.savefig(fname = 'image.png')
    plt.show()


main()