# -*- coding: utf-8 -*-

import pandas as pd

from scipy.interpolate import lagrange

from matplotlib import pyplot as plt

from random import shuffle

from keras.models import Sequential #导入神经网络初始化函数

from keras.layers.core import Dense, Activation #导入神经网络层函数、激活函数

# inputfile='F:\\python数据挖掘\\chapter6\\chapter6\\demo\\data\\missing_data.xls'

# outputfile='F:\\python数据挖掘\\chapter6\\chapter6\\demo\\tmp\\missing_data_sale.xls'

# data=pd.read_excel(inputfile,header=None)

datafile = 'F:\\python数据挖掘\\chapter6\\chapter6\\demo\\data\\model.xls'

data = pd.read_excel(datafile)

#print(data)

#print(type(data))

data = data.as_matrix()#转换成矩阵或者是数组型，对数据进行操作。

shuffle(data)#随机扰乱数据

#print(data)

p = 0.8 #设置训练数据比例

train = data[:int(len(data)*p),:]

test = data[int(len(data)*p):,:]

#

#

netfile = 'F:\\python数据挖掘\\chapter6\\chapter6\\demo\\tmp\\net.model1' #构建的神经网络模型存储路径

#

net = Sequential() #建立神经网络

net.add(Dense(input_dim=3,output_dim=10)) #添加输入层（3节点）到隐藏层（10节点）的连接

#net.add(Dense(32, input_dim=16))

net.add(Activation('relu')) #隐藏层使用relu激活函数

net.add(Dense(input_dim=10, output_dim=1)) #添加隐藏层（10节点）到输出层（1节点）的连接

net.add(Activation('sigmoid')) #输出层使用sigmoid激活函数

net.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = "binary") #编译模型，使用adam方法求解

net.fit(train[:,:3], train[:,3], nb_epoch=2, batch_size=1) #训练模型，循环1000次,Keras模块中的batch_size指的就是小批量梯度下降法。

net.save_weights(netfile) #保存模型

#predict_result = net.predict_classes(train[:,:3]).reshape(len(train)) #预测结果变形

'''这里要提醒的是，keras用predict给出预测概率，predict_classes才是给出预测类别，而且两者的预测结果都是n x 1维数组，而不是通常的 1 x n'''

#

# from cm_plot import * #导入自行编写的混淆矩阵可视化函数

# cm_plot(train[:,3], predict_result).show() #显示混淆矩阵可视化结果

#

from sklearn.metrics import roc_curve #导入ROC曲线函数

#

predict_result = net.predict(test[:,:3]).reshape(len(test))

fpr, tpr, thresholds = roc_curve(test[:,3], predict_result, pos_label=1)

print(fpr,tpr)

plt.plot(fpr, tpr, linewidth=2, label = 'ROC of LM') #作出ROC曲线

plt.xlabel('False Positive Rate') #坐标轴标签

plt.ylabel('True Positive Rate') #坐标轴标签

plt.ylim(0,1.05) #边界范围

plt.xlim(0,1.05) #边界范围

plt.legend(loc=4) #图例

plt.show() #显示作图结果