load winequalityred.txt
datainnet=[winequalityred(:,1:11)]';

dataoutnet=[zeros(11,1599);]
for i=1:1599
     skupina=winequalityred(i,12);
     dataoutnet(skupina,i)=1;
end

 pocet_neuronov=220;  % definujte pocet neuronov v skrytej vstve
 net = patternnet(pocet_neuronov);

 net.divideFcn='dividerand';
 net.divideParam.trainRatio=0.6;
 net.divideParam.valRatio=0.0;
 net.divideParam.testRatio=0.4;

 % nastavenie parametrov trenovania
% definujte parametre trenovania siete
 net.trainParam.goal = 1e-18;
 net.trainParam.min_grad = 1e-18;
 % ukoncovacia podmienka na chybu.
 net.trainParam.show = 10;           % frekvencia zobrazovania chyby
 net.trainParam.epochs = 6000;

  net = train(net,datainnet,dataoutnet);

  view(net)
  % simulacia vystupu NS pre trenovacie data
% testovanie NS
outnetsim = sim(net,datainnet);

% chyba NS a dat
err=(outnetsim-dataoutnet);

% percento neuspesne klasifikovanych bodov
% pouzit funkciu -> confusion
disp(confusion(dataoutnet,outnetsim))
%kontingenčná matica
figure
% pouzit funkciu -> plotconfusion
plotconfusion(dataoutnet,outnetsim)