# -*- coding: utf-8 -*-
"""GMQ710_ANN.ipynb

Automatically generated by Colaboratory.

Original file is located at
    https://colab.research.google.com/drive/13jNdJ0bU1V7Jk16Pr8yNAoA_Gad_3qwa

# 1) Importation des données

Importation de deux bibliothèques nécessaires à l'importation, la manipulation et l'affichage des données
"""

import pandas as pd
import seaborn as sns

"""Importation du fichier CSV"""

df = pd.read_csv('weatherHistory.csv')

"""On conserve seulement les 2000 premières lignes…"""

df = df.head(2000)

"""Affichage des premières lignes du DataFrame"""

df.head()

"""Pour cet exercice, on ne garde que quelques variables"""

df = df[['Humidity','Temperature (C)','Wind Speed (km/h)']]

"""On visualise les relations entre les variables"""

sns.pairplot(df)

"""Préparation des listes X et y"""

X = df[['Humidity','Wind Speed (km/h)']].values

y = df['Temperature (C)'].values

"""# 2) Séparation des données d’entrainement et des données de test"""

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)

"""Étape facultative (mais souvent utile) : normaliser les données"""

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X_train)
X_train = scaler.transform(X_train)
scaler.fit(X_test)
X_test = scaler.transform(X_test)

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

"""# 3) Construction de l’architecture du réseau de neurones

Création d'un modèle vide de type séquentiel
"""

model = Sequential()

"""Création des couches et de leurs fonctions d'activation : https://towardsdatascience.com/deep-learning-which-loss-and-activation-functions-should-i-use-ac02f1c56aa8, https://riptutorial.com/fr/machine-learning/example/31624/fonctions-d-activation"""

model.add(Dense(4,activation='relu'))
model.add(Dense(4,activation='relu'))
model.add(Dense(4,activation='relu'))

"""Création du neurone "résultat". On a besoin d'un seul résultat (température), on ne lui donne donc qu'un neurone"""

model.add(Dense(1))

"""On compile le réseau avec un optimiseur et une méthode de"""

model.compile(optimizer='RMSprop', loss='mse')

"""# 4. Optimisation du réseau (calcul des poids et des biais)"""

model.fit(X_train,y_train,epochs=250, verbose=1)

"""Affichage de l'historique de l'optimisation"""

loss_df = pd.DataFrame(model.history.history)

loss_df.plot()

"""# 5. Évaluation de la qualité du modèle"""

model.evaluate(X_test,y_test,verbose=1)

"""Prédiction des températures avec les données de test (et non les données d'entrainement)"""

test_predictions = model.predict(X_test)

test_predictions = pd.Series(test_predictions.reshape(len(X_test,)))
pred_df = pd.DataFrame(y_test,columns=['Test y'])
pred_df = pd.concat([pred_df,test_predictions],axis=1)
pred_df.columns = ['Test y','Model predictions']

"""Graphique des données observées (Test y) V. les données prédites par le modèle :"""

sns.scatterplot(x='Test y',y='Model predictions',data=pred_df)

"""Importation de la fonction Sklearn pour calculer les erreurs"""

from sklearn.metrics import mean_absolute_error, mean_squared_error

"""Nous voici avec une erreur moyenne absolue de :"""

mean_absolute_error(pred_df['Test y'],pred_df['Model predictions'])

"""À comparer avec la moyenne des températures (pour se faire une idée d ela qualité du modèle)"""

df['Temperature (C)'].mean()

"""Le modèle n'est donc pas TRÈS bon, mais on a appris des choses... :)

Pour utiliser le modèle avec de nouvelles données (sous la forme [['Humidity','Wind Speed (km/h)']]) :
"""

model.predict([[40,.5]])

"""Pour sauvegarder notre modèle :"""

model.save('mon_modèle.h5')

"""Pour charger un modèle existant :"""

from tensorflow.keras.models import load_model
loaded_model = load_model('mon_modèle.h5')

loaded_model.predict([[40,.5]])