import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Lasso
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler

#Данные
data = pd.read_csv('clean_data.csv')

#Приведение строчных значений к числовым
#work
factorized_data_work, unique_values_work = pd.factorize(data['work'])
data['work'] = factorized_data_work
#gymtime
factorized_data_gymtime, unique_values_gymtime = pd.factorize(data['gymtime'])
data['gymtime'] = factorized_data_gymtime

#Отбор нужных столбцов
x = data[['age', 'weight', 'work', 'phy_ex', 'gymtime']]

#Определение целевой переменной
y = data['phy_health']

#Нормализация данных
scaler = StandardScaler()
x = scaler.fit_transform(x)

#Получение обучающей и тестовой выборки
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1, random_state=42)

#Создание и обучение модели
lasso = Lasso(alpha=.05)
lasso.fit(x_train, y_train)

#Прогнозирование на тестовом наборе
y_pred = lasso.predict(x_test)

#Вывод результатов
print("Качество модели: ", lasso.score(x_test, y_test))
#График
plt.figure(figsize=(10, 7))
plt.plot(y_test.values, label='Фактические', marker='o', color='#8b00ff')
plt.plot(y_pred, label='Предсказанные', marker='o', color='#ff294d')
plt.title('Фактические и предсказанные значения')
plt.xlabel('Наблюдения')
plt.ylabel('Значения уровня здоровья')
plt.legend(loc='best')
plt.savefig("lasso.png")