#Prueba en env_python38
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor

#Definimos la función
def y(x):
    return (np.sin(3*np.pi*x) + np.cos(2*np.pi*x))

#Definimos los valores (-l,+l,discretización)
x_vals = np.arange(-1,1,0.005)
y_vals = y(x_vals)

#Normalizamos los datos
y_max = y_vals.max()
y_vals /= y_max

#Dividimos el conjunto de datos en train y test
x_train, x_test, y_train, y_test = \
train_test_split(x_vals, y_vals, test_size=0.20)
print("Puntos para Entrenar: ",x_train.shape,
      "Puntos para Pruebas: ",x_test.shape)

#Modificamos el shape de las variables 
#para que sean de la forma: (#datos,1)
x_train = x_train.reshape(-1,1)
x_test = x_test.reshape(-1,1)
print("Puntos para Entrenar: ",x_train.shape,
      "Puntos para Pruebas: ",x_test.shape)

#Creamos la Red Neuronal
mlp = MLPRegressor(
    hidden_layer_sizes=[10],
    #hidden_layer_sizes=[20,20],
    #hidden_layer_sizes=[40,40],
    #hidden_layer_sizes=[40,40,40],
    max_iter=1000,
)
#Estimamos los parámetros
mlp.fit(x_train,y_train)

#Realizamos las predicciones
predictions = mlp.predict(x_test)

#Mostramos la función
plt.figure()
plt.plot(x_train, y_train, 'b.',label="train")
plt.plot(x_test, y_test, 'go',label="test")
#Mostramos las predicciones
plt.plot(x_test, predictions, 'rx',label="predictions")
plt.legend()
plt.show()