import streamlit as st
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import fetch_openml
from sklearn.linear_model import SGDClassifier
from sklearn.metrics import accuracy_score, confusion_matrix
import pandas as pd
import seaborn as sns
from PIL import Image, ImageDraw
import io

# Sayfa yapılandırması
st.set_page_config(page_title="MNIST Rakam Sınıflandırma", layout="wide")

# Başlık ve açıklama
st.title("MNIST Rakam Sınıflandırma")
st.write("Bu uygulama, MNIST veri setini kullanarak el yazısı rakamları tanımak için eğitilmiş bir model sunar.")

# Navigasyon
st.sidebar.title("MNIST Rakam Sınıflandırma")
page = st.sidebar.radio("Sayfa Seçin:", ["Veri Analizi", "Model Eğitimi"])

# Veri yükleme fonksiyonu
@st.cache_data
def load_data():
    try:
        with st.spinner('MNIST veri seti yükleniyor...'):
            data = fetch_openml("mnist_784", version=1)
            x, y = data["data"], data["target"]
            return x, y
    except Exception as e:
        st.error(f"Veri yüklenirken hata oluştu: {e}")
        return None, None

# Model eğitim fonksiyonu
@st.cache_resource
def train_model(xtrain, ytrain):
    with st.spinner('Model eğitiliyor...'):
        model = SGDClassifier(random_state=42)
        model.fit(xtrain, ytrain)
        return model

# Veriyi yükle
x, y = load_data()

if x is not None and y is not None:
    if page == "Veri Analizi":
        st.header("Veri Seti Analizi")
        
        # Veri seti hakkında bilgi
        st.subheader("Veri Seti Hakkında")
        st.write(f"Toplam örnek sayısı: {x.shape[0]}")
        st.write(f"Özellik sayısı: {x.shape[1]}")
        st.write("Her bir görüntü 28x28 piksel boyutundadır ve gri tonlamalıdır.")
        
        # Sınıf dağılımı
        st.subheader("Sınıf Dağılımı")
        class_dist = pd.Series(y).value_counts().sort_index()
        st.bar_chart(class_dist)
        
        # Örnek görüntüler
        st.subheader("Örnek Görüntüler")
        cols = st.columns(5)
        for i, col in enumerate(cols):
            with col:
                idx = np.random.randint(0, len(x))
                image = np.array(x.iloc[idx]).reshape(28, 28)
                fig, ax = plt.subplots()
                ax.imshow(image, cmap='gray')
                ax.set_title(f"Rakam: {y.iloc[idx]}")
                ax.axis('off')
                st.pyplot(fig)
        
    elif page == "Model Eğitimi":
        st.header("Model Eğitimi ve Değerlendirme")
        
        # Eğitim ve test verilerini ayırma
        test_size = st.slider("Test veri seti oranı:", 0.1, 0.5, 0.2, 0.05)
        
        if st.button("Modeli Eğit"):
            with st.spinner('Veri hazırlanıyor...'):
                xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=test_size, random_state=42)
                st.success(f"Veri başarıyla ayrıldı: {xtrain.shape[0]} eğitim örneği, {xtest.shape[0]} test örneği")
            
            # Modeli eğit
            model = train_model(xtrain, ytrain)
            
            # Model performansını değerlendir
            with st.spinner('Model değerlendiriliyor...'):
                y_pred = model.predict(xtest)
                accuracy = accuracy_score(ytest, y_pred)
                st.success(f"Model doğruluğu: {accuracy:.4f}")
                
                # Karışıklık matrisi
                st.subheader("Karışıklık Matrisi")
                cm = confusion_matrix(ytest, y_pred)
                fig, ax = plt.subplots(figsize=(10, 8))
                sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', ax=ax)
                ax.set_xlabel('Tahmin Edilen Sınıf')
                ax.set_ylabel('Gerçek Sınıf')
                st.pyplot(fig)
                
                # Örnek tahminler
                st.subheader("Örnek Tahminler")
                cols = st.columns(5)
                for i, col in enumerate(cols):
                    with col:
                        idx = np.random.randint(0, len(xtest))
                        image = np.array(xtest.iloc[idx]).reshape(28, 28)
                        prediction = model.predict([xtest.iloc[idx]])[0]
                        actual = ytest.iloc[idx]
                        
                        fig, ax = plt.subplots()
                        ax.imshow(image, cmap='gray')
                        ax.set_title(f"Tahmin: {prediction}\nGerçek: {actual}")
                        ax.axis('off')
                        st.pyplot(fig)

else:
    st.error("Veri yüklenemedi. Lütfen internet bağlantınızı kontrol edin veya daha sonra tekrar deneyin.")