#%%導入基本庫
# 基礎數組運算庫導入
import numpy as np 
# 畫圖庫導入
import matplotlib.pyplot as plt 
# 導入三維顯示工具
from mpl_toolkits.mplot3d import Axes3D
# 導入LDA模型
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
# 導入demo數據制作方法
from sklearn.datasets import make_classification
#%%模型訓練
# 制作四個類別的數據，每個類別100個樣本
X, y = make_classification(n_samples=1000, n_features=3, n_redundant=0,
                           n_classes=4, n_informative=2, n_clusters_per_class=1,
                           class_sep=3, random_state=10)
# 將四個類別的數據進行三維顯示
fig = plt.figure()
ax = Axes3D(fig, rect=[0, 0, 1, 1], elev=20, azim=20)
ax.scatter(X[:, 0], X[:, 1], X[:, 2], marker='o', c=y)
plt.show()

#%%建立 LDA 模型
lda = LinearDiscriminantAnalysis()
# 進行模型訓練
lda.fit(X, y)
#%%查看lda的參數
print(lda.get_params())

#%%數據可視化
#模型預測
X_new = lda.transform(X)
# 可視化預測數據
plt.scatter(X_new[:, 0], X_new[:, 1], marker='o', c=y)
plt.show()

#%%使用新的數據進行測試
a = np.array([[-1, 0.1, 0.1]])
print(f"{a} 類別是: ", lda.predict(a))
print(f"{a} 類別概率分別是: ", lda.predict_proba(a))

a = np.array([[-12, -100, -91]])
print(f"{a} 類別是: ", lda.predict(a))
print(f"{a} 類別概率分別是: ", lda.predict_proba(a))

a = np.array([[-12, -0.1, -0.1]])
print(f"{a} 類別是: ", lda.predict(a))
print(f"{a} 類別概率分別是: ", lda.predict_proba(a))

a = np.array([[0.1, 90.1, 9.1]])
print(f"{a} 類別是: ", lda.predict(a))
print(f"{a} 類別概率分別是: ", lda.predict_proba(a))

#%%導入庫函數
# 導入手寫數據集 MNIST
from sklearn.datasets import load_digits
# 導入訓練集分割方法
from sklearn.model_selection import train_test_split
# 導入LDA模型
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
# 導入預測指標計算函數和混淆矩陣計算函數
from sklearn.metrics import classification_report, confusion_matrix
# 導入繪圖包
import seaborn as sns
import matplotlib
import matplotlib.pyplot as plt
#%% 導入MNIST數據集
mnist = load_digits()
# 查看數據集信息
print('The Mnist dataeset:\n',mnist)

# 分割數據為訓練集和測試集
x, test_x, y, test_y = train_test_split(mnist.data, mnist.target, test_size=0.1, random_state=2)

#%%## 輸出示例圖像
images = range(0,9)

plt.figure(dpi=100)
for i in images:
    plt.subplot(330 + 1 + i)
    plt.imshow(x[i].reshape(8, 8), cmap = matplotlib.cm.binary,interpolation="nearest")
# show the plot
plt.show()

#%%利用LDA對手寫數字進行訓練與預測
m_lda = LinearDiscriminantAnalysis()# 建立 LDA 模型
# 進行模型訓練
m_lda.fit(x, y)
# 進行模型預測
x_new = m_lda.transform(x)
# 可視化預測數據
plt.scatter(x_new[:, 0], x_new[:, 1], marker='o', c=y)
plt.title('MNIST with LDA Model')
plt.show()

#%% 進行測試集數據的類別預測
y_test_pred = m_lda.predict(test_x)
print("測試集的真實標簽:\n", test_y)
print("測試集的預測標簽:\n", y_test_pred)
#%% 進行預測結果指標統計 統計每一類別的預測準確率、召回率、F1分數
print(classification_report(test_y, y_test_pred))
# 計算混淆矩陣
C2 = confusion_matrix(test_y, y_test_pred)
# 打混淆矩陣
print(C2)

# 將混淆矩陣以熱力圖的防線顯示
sns.set()
f, ax = plt.subplots()
# 畫熱力圖
sns.heatmap(C2, cmap="YlGnBu_r", annot=True, ax=ax)  
# 標題 
ax.set_title('confusion matrix')
# x軸為預測類別
ax.set_xlabel('predict')  
# y軸實際類別
ax.set_ylabel('true')  
plt.show()