from keras.datasets import boston_housing
from sklearn.preprocessing import StandardScaler
from keras import models, layers

(X_train, y_train), (X_test, y_test) = boston_housing.load_data()

print(X_train[0], y_train[0])

scaler = StandardScaler()
scaler.fit(X_train)

X_train_scaled = scaler.transform(X_train)
X_test_scaled = scaler.transform(X_test)

print(X_train_scaled[0])

model = models.Sequential()

model.add(layers.Dense(15, activation='relu', input_shape=[X_train.shape[1]]))
model.add(layers.Dropout(0.2, input_shape=(15,)))
model.add(layers.Dense(30, activation='relu'))
model.add(layers.Dropout(0.3, input_shape=(30,)))
model.add(layers.Dense(1))

model.compile(
    optimizer='adam',
    loss='mse',
    metrics=['mae']
)

model.fit(
    X_train_scaled,
    y_train,
    validation_split=0.2,
    epochs=100
)

model.evaluate(X_test_scaled, y_test)

to_predict = X_test_scaled[:2]
predictions = model.predict(to_predict)

print("Предсказанная цена и фактическая")
for i in range(2):
    print('%.2f$ vs %.2f$' %(predictions[i]*1000, y_test[i]*1000))

import numpy as np
imaginary_place = np.zeros((1,13))

#Поле----Значение--Настоящее--Легенда------------------------------------------
CRIM    = 1.23247 # 1.23247 # уровень преступности на душу населения по городам
ZN      = 0.0     # 0.0     # доля земли под жилую застройку
INDUS   = 8.14    # 8.14    # доля акров, не относящихся к розничной торговле, на город
CHAS    = 0.0     # 0.0     # Фиктивная переменная реки Чарльз (= 1, если участок ограничивает реку; 0 в противном случае
NOX     = 0.538   # 0.538   # Концентрация оксидов азота NOX (частей на 10 миллионов)
RM      = 6.142   # 6.142   # среднее количество комнат в доме
AGE     = 91.7    # 91.7    # Доля домов, построенных до 1940 г., занимаемых владельцами
DIS     = 3.9769  # 3.9769  # расстояния до пяти бостонских центров занятости
RAD     = 4.0     # 4.0     # Индекс доступности радиальных автомобильных дорог
TAX     = 50.0   # 307.0   # Полная ставка налога на имущество за 10 000 долларов США
PTRATIO = 21.0    # 21.0    # Соотношение учеников и учителей
B       = 396.9   # 396.9   # 1000(Bk - 0,63) ^ 2, где Bk - доля черных по городу (УПС БЛМ осуждает)
LSTAT   = 18.72   # 18.72   # более низкий статус населения (не понимаю..)
#-------------------------------------------------------------------------------
MEDV    = "?" # Средняя стоимость дома в этом районе

#imaginary_place[0] = [1.23247, 0.0, 8.14, 0.0, 0.538, 6.142, 91.7, 3.9769, 4.0, 307.0, 21.0, 396.9, 18.72]

imaginary_place[0] = [CRIM, ZN , INDUS, CHAS, NOX, RM, AGE, DIS, RAD, TAX, PTRATIO, B, LSTAT]

print(imaginary_place)

scaler2 = StandardScaler()
scaler2.fit(imaginary_place)
imaginary_place_scaled = scaler.transform(imaginary_place)

print(imaginary_place_scaled)

imaginary_place_predictions = model.predict(imaginary_place_scaled)
print('Дом в таком районе мог бы стоить = %.2f$' % (imaginary_place_predictions*1000))