import numpy as np
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import confusion_matrix         # tevesztesi matrixhoz

#################
# 2 hold elkeszitese fuggvennyel

def moons(n,r,w,t):
    alpha = np.random.uniform(0,np.pi,n)
    delta = np.random.uniform(-w/2,w/2,n)
    x1 = np.cos(alpha) * (r + delta)
    x2 = np.sin(alpha) * (r + delta)
    moon1=np.vstack((x1,x2,np.ones(n,))).T                 # output: 1
    moon2=np.vstack((x1+r,-x2-t,np.zeros(n,))).T           # output: 0
    return np.concatenate((moon1,moon2),axis=0)

moons=moons(300,10,6,-4)

plt.plot(moons[:300,0],moons[:300,1],'bo')           # blue output: 1
plt.plot(moons[300:,0],moons[300:,1],'ro')           # red output: 0
plt.show()

###############
# halozat elkeszitese

X = moons[:,:2]            # (600,2)
d = moons[:,2]             # (600,)
net = MLPClassifier(solver='sgd', hidden_layer_sizes=(5,3),max_iter=20)    # halozat elkeszitese

net.fit(X, d)              # tanitas
net.predict([[10., 0.]])   # mi a (10,0) ponthoz a halozat altal hozzarendelt output?

# A halozat parametereinek a kiiratasa

# print(net.coefs_)     # sulymatrixok
# print(net.intercepts_)# torzitas vektorok
# print(net.classes_)   # osztalyok
# print(net.loss_)      # hiba
# print(net.n_iter_)    # hany epoch zajlott
# print(net.n_layers_)  # hany reteg

################################

# tevesztesi matrix elkeszitese

y_true = d
y_pred = net.predict(X)
print(confusion_matrix(y_true, y_pred))

################################

# a rosszul osztalyozott pontok megkeresese

rosszak=np.empty(0,dtype=int)

for i in range(600):
    if net.predict([[moons[i,0],moons[i,1]]])!=moons[i,2]:
        rosszak=np.append(rosszak,i)
print(rosszak)         # kiiratjuk a rosszul osztalyozott pontok indexeit

print(len(rosszak))    # kiiratjuk a rosszul osztalyozott pontok szamat

plt.plot(moons[:300,0],moons[:300,1],'bo')
plt.plot(moons[300:,0],moons[300:,1],'ro') 
plt.plot(moons[rosszak,0],moons[rosszak,1],'k+')   # bejeloljuk az abrankon a rosszul osztalyozott pontokat
plt.show()