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

# Trabalho FIA - Rede Neural Artificial #

# Redes Neurais Multiplayer Perception capaz de classificar corretamente casos de cancer de mama #

# Grupo: Gabriella Selbach, Geovana Silveira, Luiza Cruz #

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

# importa classe MLPClassifier que implementa o algoritmo de multiplayer perceptron que realiza o treinamento usando backpropagation

from sklearn.neural_network import MLPClassifier

# importa e retorna o dataset do breast cancer wisconsin

from sklearn.datasets import load_breast_cancer

# importa modelo train_test_split para realizar a divisao do dataset em conjuntos de treino e teste

from sklearn.model_selection import train_test_split

# importa classe StandardScaler para realizar a normalização dos dados

from sklearn.preprocessing import StandardScaler

# importa metrica para a criacao da matriz de confusao e para o calculo do erro medio quadratico

from sklearn.metrics import confusion_matrix,mean_squared_error

# importa biblioteca pandas para utilizacao do metodo crosstab

import pandas as pd

# carrega o dataset

dados = load_breast_cancer()

# organiza os dados

x = dados['data'] # armazena os valores referentes as caracteristicas dos tumores

y = dados['target'] # armazena o mapeamento para binario das classificacao dos casos representando tumores malignos como 0 e tumores benignos como 1

# divide os dados para treino e teste utilizando uma porcentagem de 34% para teste e 66% para treinamento

x_treino,x_teste,y_treino,y_teste = train_test_split(x, y, test_size = 0.34)

escala = StandardScaler()

# treina os dados normalizados

escala.fit(x_treino)

x_teste = escala.transform(x_teste)

x_treino = escala.transform(x_treino)

# inicializa a classificacao passando uma tupla com numero de neuronios em cada camada e o numero maximo de iteracoes/epocas

mlp = MLPClassifier(hidden_layer_sizes = (20,20,20), max_iter = 300)

# treina a classificacao

mlp.fit(x_treino, y_treino)

# realiza a previsao

previsao = mlp.predict(x_teste)

# calcula erro medio quadratico

emq = mean_squared_error(y_teste,mlp.predict(x_teste))

print("Erro Medio:\n", emq)

#imprime crosstab

print(pd.crosstab(y_teste,mlp.predict(x_teste),rownames=['Real'],colnames=['Predito'],margins=True))

#imprime matriz de confusao

#print(confusion_matrix(y_teste,mlp.predict(x_teste)))