library(AMORE)

# użyta baza: ChickWeight
#zastosowana metoda: hold-out, lamba=2/3



# zmiana typow danych przyswajalnych dla sieci neuronowej
ChickWeight2 = data.frame(weight=ChickWeight[,1],
                          Time=ChickWeight[,2],
                          Chick=as.numeric(ChickWeight[,3]),
                          Diet=as.numeric(ChickWeight[,4]))

# funckja zamieniajaca wartosci na reprezentacje binarna
target<-function(x)
{
  n<-length(x)
  wartosci<-levels(x)
  l<-length(wartosci)
  T<-matrix(0,nrow=n,ncol=l)
  for(i in 1:l)
    T[,i]<-(x==wartosci[i])
  colnames(T)<-wartosci
  return(T)
}

# przedstawienie stosowanych diet jako reprezentacje binarne
diety = target(ChickWeight$Diet)

# wyliczenie ilosci danych
l.danych = nrow(ChickWeight2)
l.trenujaca = floor((2/3)*l.danych)

# wylosowanie danych pod trenowanie i testowanie sieci
set.seed(10)
idxTren = sample(1:l.danych, l.trenujaca)
idxTest = setdiff(1:l.danych, idxTren)

# inicjalizacja sieci - 3 wejscia (masa, czas, kurczak), 4 wyjscia (1 z 4 diet) oraz 3 warst ukrytych
siec = newff(n.neurons = c(3,3,4), learning.rate.global = 0.0001, momentum.global = 0.5,
             hidden.layer = "sigmoid", output.layer = "purelin",
             method = "ADAPTgdwm", error.criterium = "LMS")

# trenowanie sieci
wynik = train(siec, ChickWeight2[idxTren, -4], diety[idxTren,],
              error.criterium = "LMS", report = "TRUE",
              show.step = 10, n.shows = 1000)

# wykres bledu
plot(wynik$Merror,type='l',xlab = "iteracja x10", ylab = "blad", col = "darkred")

# test wytrenowanej sieci na pozostalej czesci danych
y = sim(wynik$net,ChickWeight2[idxTest, -4])
colnames(y) = c("1","2","3","4")
y

# funkcja przedstawiajaca rozpoznane wyniki
test.klasyf = function (zad,wy){
  zadane = max.col(zad)
  rozpoznane = max.col(wy)
  print(table(zadane,rozpoznane))
}

# inicjalizacja funkcji
test = test.klasyf(diety[idxTest,],y)

# obliczenie i wyswietlenie wyniku
cat("Dokladnossc klasyfikacji: ", sum(diag(test)/sum(test))*100, "%")