#!/usr/bin/env python
# coding: utf-8

# Задача 12.
# Предсказать сорт винограда из которого сделано вино, используя результаты химических анализов, c помощью KNN - метода k ближайших соседей с тремя различными метриками. Построить график зависимости величины ошибки от числа соседей k.

# In[1]:


import sklearn.neighbors
import sklearn.model_selection
import sklearn.metrics
import sklearn.preprocessing
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
get_ipython().run_line_magic('matplotlib', 'inline')


# Считывание данных:

# In[2]:


data=pd.read_csv('wine.data')
data.columns = ['Class', 'Alcohol', 'Malic acid', 'Ash', 'Alcalinity of ash', 'Magnesium', 'Total phenols', 'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins', 'Color intensity', 'Hue', 'OD/OD of diluted wines', 'Proline ']
data[:10]


# Обработка данных:

# In[3]:


wine_data=data[data.columns[data.columns!='Class']]
wine_class=data['Class']


# In[4]:


neighbours=range(1,20)
metrics=['euclidean', 'manhattan', 'chebyshev']
X_train,X_test,y_train,y_test=sklearn.model_selection.train_test_split(wine_data, wine_class,test_size=0.5)


# Обучение и подсчет ошибки:

# In[5]:


error=[]
for i in range(3):
    error.append([])
    for k in range(1,20):
        neighbor = sklearn.neighbors.KNeighborsClassifier(n_neighbors = k, metric= metrics[i])
        neighbor.fit(X_train,y_train)
        predictions = neighbor.predict(X_test)
        accuracy = sklearn.metrics.accuracy_score(y_test, predictions)
        error[i].append(1-accuracy)
        


# Построение графика зависимости ошибки от количества соседей для 3 различных метрик

# In[6]:


plt.figure()
for i in range(3):
    plt.plot(neighbours,error[i], label=metrics[i])
plt.legend()
plt.xlabel('Количество соседей')
plt.ylabel('Ошибка')
plt.show()


# Как видно из графика, оптимальные результаты дает Манхэттенская метрика при количестве соседей равном 15.