{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 4,
   "id": "df20729e-7575-4880-a900-46b2b8bd82e8",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "              precision    recall  f1-score   support\n",
      "\n",
      "           0       1.00      1.00      1.00        10\n",
      "           1       1.00      1.00      1.00         9\n",
      "           2       1.00      1.00      1.00        11\n",
      "\n",
      "    accuracy                           1.00        30\n",
      "   macro avg       1.00      1.00      1.00        30\n",
      "weighted avg       1.00      1.00      1.00        30\n",
      "\n"
     ]
    }
   ],
   "source": [
    "# Импорт необходимых модулей\n",
    "from sklearn.datasets import load_iris\n",
    "from sklearn.model_selection import train_test_split\n",
    "from sklearn.neural_network import MLPClassifier\n",
    "from sklearn.metrics import classification_report\n",
    "\n",
    "# 1. Загрузка данных\n",
    "# load_iris() загружает встроенный набор данных Iris (ирисы Фишера)\n",
    "# return_X_y=True возвращает данные в виде матрицы признаков (X) и вектора меток (y)\n",
    "X, y = load_iris(return_X_y=True)\n",
    "\n",
    "# 2. Разделение данных на обучающую и тестовую выборки\n",
    "# test_size=0.2 означает, что 20% данных пойдут в тестовую выборку\n",
    "# random_state можно задать для воспроизводимости результатов\n",
    "X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n",
    "\n",
    "# 3. Создание и обучение модели нейронной сети\n",
    "# MLPClassifier - многослойный перцептрон\n",
    "# hidden_layer_sizes=(10,) - один скрытый слой с 10 нейронами\n",
    "# activation='relu' - функция активации Rectified Linear Unit\n",
    "# max_iter=500 - максимальное количество итераций обучения\n",
    "clf = MLPClassifier(hidden_layer_sizes=(10,), activation='relu', max_iter=10000)\n",
    "clf.fit(X_train, y_train)  # Обучение модели на тренировочных данных\n",
    "\n",
    "# 4. Оценка модели\n",
    "# classification_report выводит отчет с основными метриками качества\n",
    "print(classification_report(y_test, clf.predict(X_test)))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "af5eae95-22ed-46c6-8f3e-befb67a2d9e6",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.11.9"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}