import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import LabelEncoder

# Загрузка данных
data = pd.read_csv('economica.csv')

# Преобразование строковых значений в числовые
le = LabelEncoder()
data['country'] = le.fit_transform(data['country'])

# Определение признаков и целевой переменной
X = data[['country', 'year']]
y = data['oil_prices']

# Разделение данных на тренировочный и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)

# Создание и обучение дерева решений
clf = DecisionTreeRegressor(random_state=42)
clf.fit(X_train, y_train)

# Прогнозирование на тестовом наборе
y_pred = clf.predict(X_test)

# Оценка качества модели на тестовом наборе
mse = mean_squared_error(y_test, y_pred)

# Прогнозирование на оставшемся проценте данных
X_remaining = data.drop(X_train.index)
y_remaining_true = X_remaining['oil_prices']
X_remaining = X_remaining[['country', 'year']]
y_remaining_pred = clf.predict(X_remaining)

# Оценка качества модели на оставшемся проценте данных
mse_remaining = mean_squared_error(y_remaining_true, y_remaining_pred)
mse_remaining_percent = (mse_remaining / y.mean()) * 100
print(f'Среднеквадратичная ошибка на 1%: {mse_remaining}({mse_remaining_percent:.2f}%)')