// Первый пример регрессии.
//
// В этом примере:
// 1) загружаем готовый датасет с ценами на квартиры;
// 2) выбираем признаки и целевую переменную;
// 3) делим данные на обучающую и тестовую выборки;
// 4) обучаем линейную регрессию;
// 5) оцениваем качество модели по метрике R².
uses MLABC;

begin
  // Загружаем учебный датасет с ценами на квартиры в Москве
  var ds := Datasets.MoscowHousing;

  // Берём таблицу данных из датасета
  var df := ds.Data;

  // Выбираем числовые признаки, по которым будем предсказывать цену
  var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes'];

  // Целевая переменная - цена квартиры
  var target := 'price';

  // Преобразуем выбранные признаки в числовую матрицу
  var X := df.ToMatrix(features);

  // Преобразуем целевую переменную в числовой вектор
  var y := df.ToVector(target);

  // Делим данные на обучающую и тестовую выборки
  var (Xtrain, Xtest, ytrain, ytest) := Validation.TrainTestSplit(X, y, 0.2, 42);

  // Создаём модель линейной регрессии
  var model := new LinearRegression;

  // Обучаем модель на обучающей выборке
  model.Fit(Xtrain, ytrain);

  // Получаем предсказания для тестовой выборки
  var pred := model.Predict(Xtest);

  // Считаем, насколько хорошо модель объясняет данные.
  // Для простой линейной модели R² около 0.6 и выше здесь уже неплохой результат,
  // но более сложные модели могут работать точнее.
  Println('R²:', Metrics.R2(ytest, pred):0:3);
end.