import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# تولید داده‌های نمونه
data = {
    'feature1': [2, 4, 4, 4, 6, 6, 8, 8, 8, 8],
    'feature2': [4, 2, 4, 6, 4, 6, 2, 4, 6, 8],
    'label':    [0, 0, 0, 0, 1, 1, 1, 1, 1, 1]
}
df = pd.DataFrame(data)

# جداسازی ویژگی‌ها و برچسب‌ها
X = df[['feature1', 'feature2']]
y = df['label']

# تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ایجاد مدل k-Nearest Neighbors
model = KNeighborsClassifier(n_neighbors=3)

# آموزش مدل
model.fit(X_train, y_train)

# پیش‌بینی با استفاده از مدل آموزش دیده
y_pred = model.predict(X_test)

# ارزیابی مدل
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy * 100:.2f}%')

# تست مدل با داده جدید
new_data = np.array([[2, 4]])
new_pred = model.predict(new_data)
print(f'Prediction for new data [feature1=5, feature2=5]: {new_pred[0]}')

def binary_search(arr, target):
    left = 0
    right = len(arr) - 1

    while left <= right:
        mid = (left + right) // 2

        
        if arr[mid] == target:
            return mid  
        elif arr[mid] < target:
            left = mid + 1  
        else:
            right = mid - 1  

    return -1  


arr = [1, 3, 5, 7, 9, 11, 13, 15]
target = 7
index = binary_search(arr, target)

if index != -1:
    print(f"عنصر {target} در ایندکس {index} یافت شد.")
else:
    print(f"عنصر {target} یافت نشد.")