import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier, MLPRegressor
from sklearn.metrics import accuracy_score, classification_report
import matplotlib.pyplot as plt

filename = "mobiles.csv"
# Считываем данные из файла в DataFrame
data = pd.read_csv(filename, sep=',')
# Удаляем столбец с идентификатором
data.pop("Id")

# Приведение строковых значений признаков к численным при помощи векторайзера с суммированием
FEATURE_COLUMNS_TO_PROC = ['Name', 'Brand', 'Model', 'Operating system']
for column_name in FEATURE_COLUMNS_TO_PROC:
    vectorizer = TfidfVectorizer()
    train_text_feature_matrix = vectorizer.fit_transform(data[column_name]).toarray()
    a = pd.DataFrame(train_text_feature_matrix)
    data[column_name] = a[a.columns[1:]].apply(lambda x: sum(x.dropna().astype(float)), axis = 1)

# Приведение строковых значений к численным при помощи числового кодирования LabelEncoder
le = LabelEncoder()
data['Touchscreen'] = le.fit_transform(data['Touchscreen'])
data['Wi-Fi'] = le.fit_transform(data['Wi-Fi'])
data['Bluetooth'] = le.fit_transform(data['Bluetooth'])
data['GPS'] = le.fit_transform(data['GPS'])
data['3G'] = le.fit_transform(data['3G'])
data['4G/ LTE'] = le.fit_transform(data['4G/ LTE'])

# В Y помещаем целевой признак - цену
Y = data['Price']
# В X помещаем остальные признаки
X = data.drop(columns='Price')

# Разделение данных на обучающую (99%) и тестовую (1%) выборки
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.01, random_state=42)

# Нормализация признаков
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

mlp = MLPClassifier(
    hidden_layer_sizes=(50, 50),    # 2 скрытых слоя с 50 нейронами на каждом
    activation='relu',              # функция активации
    alpha=0.01,                     # L2 штраф (регуляризация)
    max_iter=1000,                  # максимальное кол-во итераций
    random_state=42,                # Random начало для воспроизведения результата
    verbose=True,                   # отображения итераций
)

mlp.fit(X_train, y_train)

# Предсказание на тестовых данных
y_pred = mlp.predict(X_test)

# Оценка производительности модели
accuracy = accuracy_score(y_test, y_pred)

# Вывод результатов
print("Оценка работы модели MLPClassifier:")
print(f'Accuracy: {accuracy}')

plt.figure(1, figsize=(12, 7))
plt.title('Сравнение ожидаемых и фактических результатов предсказания цены телефона')
plt.scatter(x=[i for i in range(len(X_test))], y=y_test, c='green', s=8)
plt.scatter(x=[i for i in range(len(X_test))], y=y_pred, c='red', s=8)
plt.savefig('plot_MLPClassifier.png')
plt.show()