import numpy as np
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import r2_score

X = np.arange(0, 2*np.pi, 0.02)
Y = np.array([np.sin(X), np.cos(X)])

plt.figure(figsize=(5, 5))
plt.subplot(1, 3, 1)
plt.plot(X, Y[0], 'r')
plt.plot(X, Y[1], 'b')
plt.title('Wykres wygenerowanych punktów')

x_train = X.reshape(315,1)
y_train = Y.transpose()

model = MLPRegressor(hidden_layer_sizes=(100), learning_rate_init=0.05,
                     solver='sgd', activation='logistic', tol=0.00001, alpha=0.00000001,
                     max_iter=1000, verbose=False)

model.fit(x_train, y_train)

y_pred = model.predict(x_train)

error = r2_score(y_train, y_pred)
print("Błąd r2 " + str(error))

plt.subplot(1, 3, 2)
plt.plot(model.loss_curve_)
plt.title("Zmiana wartości funkcji straty w procesie uczenia")
plt.xlabel("liczba korków")
plt.ylabel("wartość funkcji błędu")

plt.subplot(1, 3, 3)
plt.plot(X, y_pred[:, 0], 'r')
plt.plot(X, y_pred[:, 1], 'b')
plt.title("Zmiana wartości funkcji straty w procesie uczenia")

plt.show()