import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from datetime import datetime

# Загрузка данных
try:
    data = pd.read_csv('ufo_sighting_data.csv')
except Exception as e:
    print("Ошибка при чтении файла:", e)

# Разделение признаков и целевой переменной
X = data[['latitude', 'longitude']]  # Оставляем только числовые признаки, такие как latitude и longitude
y = data['length_of_encounter_seconds']

# Преобразование столбца date_time в числовой формат с использованием timestamp
data[['date','time']] = data['date_time'].str.split(expand=True)
data['date_time'] = (pd.to_datetime(data.pop('date'), format='%d/%m/%Y') +
                  pd.to_timedelta(data.pop('time') + ':00'))

# Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=42)

# Создание полиномиальных признаков
poly_features = PolynomialFeatures(degree=2)
X_train_poly = poly_features.fit_transform(X_train)
X_test_poly = poly_features.transform(X_test)

# Обучение модели полиномиальной регрессии
model = LinearRegression()
model.fit(X_train_poly, y_train)

# Оценка модели
y_train_pred = model.predict(X_train_poly)
y_test_pred = model.predict(X_test_poly)

# Оценка метрик модели
train_mse = mean_squared_error(y_train, y_train_pred)
test_mse = mean_squared_error(y_test, y_test_pred)
train_r2 = r2_score(y_train, y_train_pred)
test_r2 = r2_score(y_test, y_test_pred)

print("Train MSE:", train_mse)
print("Test MSE:", test_mse)
print("Train R^2:", train_r2)
print("Test R^2:", test_r2)