#wcztuję dane z archiwum

dane <- read.table(file="https://archive.ics.uci.edu/ml/machine-learning-databases/spect/SPECT.test", sep=",")
dane1 <- read.table(file="https://archive.ics.uci.edu/ml/machine-learning-databases/spect/SPECT.train", sep=",")

#łączymy dwa zbiory danych w jeden

total <- rbind(dane, dane1)

#sprawdzamy i usuwamy zdublowane dane funkcją unique

total<- unique(total)

#używam walidacji krzyżowej 10-krotnej więc pomniejszam zbiór aby wynik z dzielenia był poprawny

total<- total[1:220,]

#sprawdzam 6 wierszy przed tasowaniem

head(total)

# dane przypisujemy jako losowo wybrane dane zawierając się we wszystkich wierszach i kolumnach

total <- total[sample(nrow(total)),]

#sprawdzam czy dane zostały przetasowane

head(total)

#zwracamy w obu przypadkach tablicę , w pierwszym dzielimy bez reszty przez liczbę 10 w drugim
#dzielimy z resztą przez liczbę 10 gdyż wykonujemy walidację krzyżową 10-krotną

nrow(total)%/% 10
nrow(total)%%10

#ustawiamy początek na 1 ,funkcja nrow zwraca dane jako tablicę złożoną z wierszy i kolumn
#w pierwszym kroku STEP dzielimy zwróconą tablicę dzieleniem bez reszty przez liczbę 10 w ostatnim kroku
#LAST.STEP dzielimy zwróconą tablicę dzieleniem z resztą przez liczbę 10

BEGIN<-1
STEP<-nrow(total)%/%10


LAST.STEP<-nrow(total)%%10

total$V23<-as.factor(total$V23)
#total$V23<-as.numeric(total$V23)
#w tej pętli trenujemy algorytm uczący C5.0 ustawiąjąc iterator od 1 do 10
#END w każdym obiegu mnożymy przez krok STEP
#tworzymy zbiór testowy jako wszystkie kolumny z pobranego zbioru dane i wiersze od BEGIN do END
#zbiór treningowy tworzymy z pobranego zbioru dane jako wszystkie kolumny
#i wiersze ,używamy tu funkcji c aby połączyć zmienne jako wektor lub listę
#pobierając wiersze od 1 przy czym wykorzystując przy każdym obiegu END i BEGIN
#do liczby wierszy zwróconej przez funkcję nrow
#w linijce 48 trenujemy drzewo przyjmując jako x kolumny od 1 do 34
#i jako y kolumnę 35
#linijka 46 odowiada za przewidywanie w zbiorze testowym
for(i in 1:10){

  END <- i*STEP
  library(C50)
  testowy<-total[BEGIN:END,]
  treningowy<-total[c(1:(BEGIN-1),(END+1):nrow(total)),]
  drzewo<- C5.0(x=treningowy[,1:22], y=treningowy[,23])
  y=treningowy[,23]

  copowinnobyc<-testowy[,23]
  coprzewidziano<-predict(drzewo,newdata=testowy[,1:22])

  BEGIN<-END+1
}
#w tym ciągu instukcji następuje obliczenie błędu na podstawie wcześniej
#obliczonych danych ,błąd liczymy na podstawie długości objektu copowinnobyć
if(LAST.STEP){
  END<-BEGIN + LAST.STEP - 1
  cat(BEGIN,END,'ln')
}
blad=0
for(i in 1:length(copowinnobyc))
{
  if(coprzewidziano[i]!=copowinnobyc[i]){
    blad=blad+1
  }
}
blad <- blad / length(copowinnobyc)
blad
#dokładność obliczam poprzez różnicę między 1 a błędem

trafnosc=1-blad
trafnosc
total
library(MASS)
total.lda <- lda(V23 ~ . , data = total)
table(predict(total.lda, type="class")$class, total$V23)