# Импорт библиотек  
from sklearn.model_selection import train_test_split  
from tensorflow.keras.callbacks import EarlyStopping  
from tensorflow.keras.models import Sequential  
from tensorflow.keras.layers import Dense  

# Предположим, X — признаки, y — целевые переменные (заранее подготовлены)  
# Например, X.shape = (1000, 20), y.shape = (1000,)  

# 1. Разделяем данные на обучающие и тестовые  
X_train, X_test, y_train, y_test = train_test_split(  
    X,   
    y,   
    test_size=0.2,  # 20% данных уходит в тестовый набор  
    random_state=42  # Для воспроизводимости  
)  

# 2. Создаём модель (пример архитектуры)  
model = Sequential([  
    Dense(64, activation='relu', input_shape=(X_train.shape[1],)),  
    Dense(32, activation='relu'),  
    Dense(1, activation='sigmoid')  # Для бинарной классификации  
])  

model.compile(  
    optimizer='adam',  
    loss='binary_crossentropy',  
    metrics=['accuracy']  
)  

# 3. Настраиваем раннюю остановку  
early_stopping = EarlyStopping(  
    monitor='val_loss',  # Следим за ошибкой на валидации  
    patience=5,          # Ждём 5 эпох без улучшений  
    restore_best_weights=True  # Возвращаем лучшие веса модели  
)  

# 4. Запускаем обучение  
history = model.fit(  
    X_train,   
    y_train,  
    epochs=100,            # Максимальное число эпох  
    batch_size=32,         # Размер батча  
    validation_split=0.2,  # 20% тренировочных данных → валидация  
    callbacks=[early_stopping],  # Подключаем раннюю остановку  
    verbose=1              # Вывод логов обучения  
)  

# 5. Оцениваем на тестовых данных  
test_loss, test_acc = model.evaluate(X_test, y_test, verbose=0)  
print(f"\nРезультат:")  
print(f"- Точность на тесте: {test_acc:.2f}")  
print(f"- Ошибка на тесте: {test_loss:.2f}")  

# Совет: Используйте history для анализа обучения  
# history.history['loss'] — лосс на тренировке  
# history.history['val_loss'] — лосс на валидации