POURCOME

clear all
close all

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

#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);
xMax

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

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


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



#boucle : apprend (xapp(:,i) ... )
#sucessRateapp = test(xtest(:,i)..)
#res[];
#res = [res;;sucessRateApp,sucessRateTest]
#ids = sortrows(res,"-3") trier res a partir de la 3e colonne dans l'ordre déscendant.

#for
#xapp(:,ids(1:i)); Meilleur id de chaque colonne
#apprendre xapp
#xapp(:,IDS([1:i],1));
#save res.dat RES
#plot res
#ids([1:i]) quand i vaut 2 ca fait 1 -> 2 ; dc 2 premiere colonne
#end
res = [];
final = [];

#for i = 1 : size(xapp,2)

#[TEA, TET, pmc]=apprend_pmc(xapp(:,i),Ya,xtest(:,i),Yt,0.01,{10,10});
#SucessRateApp = test_classif_pmc(xtest(:,i),Yt,pmc);
#SucessRateTest = test_classif_pmc(xapp(:,i),Ya,pmc);
#res = [res;i,SucessRateApp,SucessRateTest];
#res
#save res.dat res

#end

load "IDSFinal.dat" IDSFinal


#for i = 1 : size(xapp,2)

# Xba = xapp(:,IDS([1:i],1);

#end





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

[TEA TET pmc] = apprend_pmc(Xba,Ya,Xbt,Yt,0.01,{10,10});

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

final = [final;i,SucessRateAppB,SucessRateTestB];

save final.dat final





#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