MainFinal

clear all
close all

source "pmc.m";
load "usps_napp10.dat"


#Get arguments
arg_list = argv();

epsilon = str2num( arg_list{1} ) ;
nbrLayers = str2num( arg_list{2} ) ;
nbrNeurones = str2num( arg_list{3} );



#Xapp : ligne = exemple , colonne  = pixels
#Yapp : colonne = numero de classe
#Yapp passe de simple classe numérique a multi classe binaire.
#random 2 nombre aléatoire entre 1 et le nombre de ligne , on stock la ligne xapp et yapp et on inverse les deux lignes
#Chaque ligne de Xapp est un échantillon et chaque pixel est un feature.



xtmp = xapp;
ytmp = yapp;
xapp = xtest;
yapp = ytest;
xtest = xtmp;
ytest = ytmp;



#Random
for i = 1 : size(xapp,1)

  id1 = ceil(rand() * size(xapp,1));
  id2 = ceil(rand()*size(yapp,1));

  tmpx = xapp(id1,:);
  tmpy = yapp(id1,:);

  xapp(id1,:)=xapp(id2,:);
  yapp(id1,:)= yapp(id2,:);

  xapp(id2,:)=tmpx;
  yapp(id2,:)=tmpy;
end

#max (xapp),max(xtest) , max(val) , xapp = xapp / val , (xapp*2) - 1



#Normalisation des données
xMaxApp = max(xapp(:));
xMaxTest = max(xtest(:));
xMax = max(xMaxApp,xMaxTest);


xapp = xapp/xMax;
xtest = xtest/xMax;

xapp = ((xapp*2)-1);
xtest = ((xtest*2)-1);


Yt=change_Y_discri(ytest);
Ya=change_Y_discri(yapp);




IDSFinal = [];
data = [];

load "IDSFinal.dat" IDSFinal

pas = 0.01;


Xba = xapp(:,IDSFinal([1:80],1));
Xbt = xtest(:,IDSFinal([1:80],1));


if( nbrLayers == 1 )
  [TEA TET pmc] = apprend_pmc(Xba,Ya,Xbt,Yt,epsilon, {nbrNeurones} );
elseif( nbrLayers == 2 )
    [TEA TET pmc] = apprend_pmc(Xba,Ya,Xbt,Yt,epsilon, {nbrNeurones, nbrNeurones} );
elseif( nbrLayers == 3 )
    [TEA TET pmc] = apprend_pmc(Xba,Ya,Xbt,Yt,epsilon, {nbrNeurones, nbrNeurones, nbrNeurones} );
elseif( nbrLayers == 4 )
    [TEA TET pmc] = apprend_pmc(Xba,Ya,Xbt,Yt,epsilon, {nbrNeurones, nbrNeurones, nbrNeurones, nbrNeurones} );
elseif( nbrLayers == 5 )
    [TEA TET pmc] = apprend_pmc(Xba,Ya,Xbt,Yt,epsilon, {nbrNeurones, nbrNeurones, nbrNeurones, nbrNeurones, nbrNeurones} );
endif

SucessRateAppB = test_classif_pmc(Xbt,Yt,pmc);
SucessRateTestB = test_classif_pmc(Xba,Ya,pmc);

printf("SucessRateTest : %f\n", SucessRateTestB);
data = [data; epsilon, nbrLayers, nbrNeurones, SucessRateTestB];
save "dataset.dat" data;


#meshgrid permet vue 3D (pour la dychotomie)
#Différente couche neuronal
# couche d'entréee ( input )
# couche de sortie ( classe )
# couche caché ( binaire )
# elasticité = liaison synaptique
# le but est de déterminer les poids w pour obtenir les bon yapp en fonction de xapp
# un neurone est est une fonction plus la somme des entrée multiplié par des poids
#un neurone n'a qu'une sortie
#10,10 = 2 couches de 10 neurones cachée


#printf("Learning error : %f\nTest error : %f\n", SucessRateApp,SucessRateTest);

#Algo : par dichotomie , pas au dessus de 300 neurones et 5 couche

#Test avan random et apres random