#!/usr/bin/python3
# -*- coding: utf-8 -*-
"""
Perceptrón para estimar precio de viviendas. Una capa oculta con 5 procesadores con activación tangente hiperbólica y error cuadrático.
Dependencias: torch, sklearn, captum, httpimport
"""
import httpimport
with httpimport.remote_repo('https://personales.unican.es/crespoj/redes/redespytorch.zip'):
    import lectura
    import preproceso
    import particion
    import tipored
    import ajuste
    import registro
    import lecturaurl
    from torch import nn
    import activaciones

#Cargamos los datos, todos
datos=lecturaurl.leelistas('practica1/casas.trn.txt')
numentradas=len(datos[0])-1
varnoms=['criminalidad','residencial','industrial','rio','polucion','habitaciones','casas-viejas','distancia-trabajo',
         'autovias','impuestos','ratio-aula','negr@s','pobreza','precio']

#Descripción numérica
#Si no quieres anális previo, anula esta línea
lectura.estadistica(varnoms,datos)

#Descripción gráfica
frel,vals=lectura.grafica(varnoms,datos,True) # Si no quieres los análisis, pásale False

#Preproceso. Hay otras posibilidades. Mira el fichero preproceso.py del paquete de clase
datot=preproceso.rango1(datos)

#Conjuntos de ajuste (por ejemplo 70%), validación (por ejemplo 15%) y muestra. Parte al azar (por ejemplo 50%) y parte por agrupamiento
tea,tsa,tev,tsv,tep,tsp=particion.azaryestrat(datot,0.5,0.7,0.15)

red=tipored.lineal(numentradas,1) # Modelo lineal hecho con una red a la que se le quita la parte no-lineal
#red=tipored.lineallineal(numentradas,1) # Regresión lineal clásica
#red=tipored.cuasilineal(numentradas,5,nn.Tanh, 1) # Hecho con red neuronal. 5 ocultos por cada variable Función no lineal: tangente hiperbólica
#red=tipored.linealgen(numentradas,3,1) # Modelo cuasilineal Tweedie, con potencia 3 para la cola de la distribución
#red=tipored.perceptron(numentradas,[5],1,nn.Tanh,nn.Identity) # Red con 5 ocultos, tangente hiperbólica entre capas y lineal a la salida
print(red)
print('\nAjuste')
err,red,_=ajuste.ajustar(red,tea,tsa,tev,tsv,tep,tsp,kaj=0.1) # Learning rate: 0.1
#Descoméntalo si estás usando redes neuronales de cualquier forma
#err=err.item()
#red.eval()
print('Error medio cuadrático final en conjunto de prueba',err)
tepor=registro.residuos(tep,tsp,red,True) # Si no quieres análisis de resíduos, pásale False

#Vemos un caso concreto. Coméntalo si no quieres
registro.sacarejemplos(tep,tsp,tepor,varnoms,frel,vals,red,False)