"""
文件名: train_gpu_blance_10features.py

训练部分代码

作者: 王春林
创建日期: 2023年10月18日
最后修改日期: 2023年10月20日
版本号: 1.0.0

"""
import pandas as pd
import numpy as np
import torch
from torch import nn
from sklearn.metrics import precision_score, recall_score, f1_score
from sklearn.utils.class_weight import compute_class_weight

# 验证集EXCEL文件名，测试集使用验证集
val_excel = r'val_fold0.xlsx'

# 检查GPU是否可用
# device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device = torch.device("cpu")

# 定义 MLP 网络
class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(10, 32),  # 输入层
            nn.ReLU(),  # 激活函数
            nn.Linear(32, 128),  # 隐藏层
            nn.ReLU(),  # 激活函数
            nn.Linear(128, 32),  # 隐藏层
            nn.ReLU(),  # 激活函数
            nn.Linear(32, 4),  # 输出层，4个类别
        )

    def forward(self, x):
        return self.model(x)

# 读取特征和标签
val_data = pd.read_excel(val_excel)

# 以下是你的特征名
feature_names = ["强迫症状数字化", "人际关系敏感数字化", "抑郁数字化", "多因子症状", "母亲教养方式数字化", "父亲教养方式数字化", "自评家庭经济条件数字化", "有无心理治疗（咨询）史数字化", "学业情况数字化", "出勤情况数字化"]

# 将特征和标签分开，并做归一化处理
X_val = val_data[feature_names].values
y_val = val_data['类别'].values

X_val_tensor = torch.from_numpy(X_val).float().to(device)

# 加载模型
model = MLP().to(device)
model.load_state_dict(torch.load('train_fold0.xlsx.pth', map_location=device))  # 加载训练好的模型参数
model.eval()

# 进行推理
with torch.no_grad():
    outputs = model(X_val_tensor)

# 获取预测结果
_, predictions = torch.max(outputs, 1)
# 打印预测结果
#print("预测结果:", predictions.cpu().numpy())
# 打印前100个预测结果和实际结果
print("前100个预测结果:", predictions.cpu().numpy()[:100])
print("前100个实际结果:", y_val[:100])

# 获取预测错误的样本序号
wrong_indices = np.where(y_val != predictions.cpu().numpy())[0]
print("预测错误的样本序号:", wrong_indices)

# 统计预测错误的数量
wrong_count = len(wrong_indices)
total_count = len(y_val)
wrong_percentage = (wrong_count / total_count) * 100

print("预测错误数量:", wrong_count)
print("预测错误占总数量的百分比:", wrong_percentage, "%")
print("总数量:", total_count)

# 统计每种类别的精确率、召回率、F1得分
precision = precision_score(y_val, predictions.cpu().numpy(), average=None)
recall = recall_score(y_val, predictions.cpu().numpy(), average=None)
f1 = f1_score(y_val, predictions.cpu().numpy(), average=None)

# 计算平均精确率、召回率和F1
avg_precision = np.mean(precision)
avg_recall = np.mean(recall)
avg_f1 = np.mean(f1)

print("精确率:", precision)
print("召回率:", recall)
print("F1得分:", f1)
print("平均精确率:", avg_precision)
print("平均召回率:", avg_recall)
print("平均F1得分:", avg_f1)