import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Perceptron
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score

# Установите random_state, чтобы результаты были воспроизводимыми
rs = 42

# Генерация данных
X, y = make_classification(
    n_samples=500, n_features=2, n_redundant=0, n_informative=2,
    random_state=rs, n_clusters_per_class=1
)

# Разделение данных на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)

# Создание моделей
models = [
    ('Perceptron', Perceptron(random_state=rs)),
    ('MLP (10 neurons)', MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)),
    ('MLP (100 neurons)', MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs))
]

# Обучение и оценка моделей
results = {}

plt.figure(figsize=(15, 5))

for i, (name, model) in enumerate(models, 1):
    plt.subplot(1, 3, i)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    results[name] = accuracy

    # Разбиение точек на классы
    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Paired, edgecolors='k')

    # Построение границы решения для каждой модели
    h = .02  # Шаг сетки
    x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1
    y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)

    plt.title(f'{name}\nAccuracy: {accuracy:.2f}')

plt.show()