#!/usr/bin/python3
# -*- coding: utf-8 -*-
"""
Perceptrón para estimar precio de viviendas. 
"""

import torch.nn as nn
import lectura
import preproceso
import particion
import tipored
import ajuste
import registro
import random
import analizar
from matplotlib import pyplot
from copy import deepcopy
import torch
import math

#Cargamos los datos, todos
datos=lectura.leelistas('casas.trn')
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
#lectura.estadistica(varnoms,datos)

#Descripción gráfica
frel,vals=lectura.grafica(varnoms,datos,False)

#Preproceso a distribución normal media 0 varianza 1
datot=preproceso.mediavar(datos)

#Partición para bootstrap
gener,tep,tsp=particion.generazarremuest(datot,...)

#error = funerr.ErrorPropio('medabs')
    #error = nn.SmoothL1Loss()
#error = nn.L1Loss()
#presenerror=math.sqrt

#definir algoritmo de ajuste
    #torch.optim.LBFGS
    #torch.optim.Adagrad
alg=torch.optim.Adam
    #torch.optim.ASGD
    #torch.optim.RMSprop
    #torch.optim.Rprop
    #torch.optim.SGD
rmse=[]
ermin=10000
for _ in range(...):
    red0=tipored.perceptron(numentradas,[...],1)
    tea,tsa=next(iter(gener))
    err,red0,_=ajuste.ajustar(red0,tea,tsa,None,None,tep,tsp,algo=alg,kaj=...,numiter=...)
    rmse.append(math.sqrt(err.item()))
    if err<ermin:
        ermin=err
        red=deepcopy(red0)
        

pyplot.hist(rmse)
pyplot.show()

input('Análisis de residuos')

#Deshacer el preproceso para ver los datos en su magnitud original
tepor=registro.residuos(tep,tsp,red)

input('Análisis global de la red')
#Analizar la red
analizar.analisis(red,tep,tsp,False)


#Vemos un caso concreto
registro.sacarejemplos(tep,tsp,tepor,varnoms,frel,vals,red)