Zadanie1

#
library(AMORE)

#Dane które będą uczyć naszą sieć
owoc=read.csv(file.choose())
owoc <- na.omit(owoc) # Usuwam puste kolumny
for(i in 1:34) owoc[,i]<-as.numeric(owoc[,i])

set.seed(112)
ile=nrow(owoc)
idxTren<-sample(1:ile,2*ile/3)  #podłoga z 2/3 losowych indeksów do trenowania sieci
idxTest<-setdiff(1:ile,idxTren) #pozostałe 1/3 indeksów

#definiujemy funkcję zmieniającą zmienną zawierającą nazwę etykiety
#na liczbę zmiennych binarnych, ile jest wartości etykiet
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)
}
#zastosowanie powyższej funkcji dla danych określających etykiety
wZadane<-target(owoc$Class)
wZadane

set.seed(24)

#tworzymy strukturę sieci
siec<-newff(n.neurons=c(4,8,3),
            learning.rate.global=0.01,
            momentum.global=0.5,
            hidden.layer="sigmoid",
            output.layer="purelin",
            method="ADAPTgdwm",
            error.criterium="LMS")

#trenujemy sieć
#owoc <- owoc[,]
wynik<-train(siec,
             owoc[idxTren,1:34],
             matrix(as.numeric(wZadane[idxTren])),
             error.criterium="LMS",
             report=TRUE,
             show.step=5,
             n.shows=1000)

plot(wynik$Merror,type="l",xlab="Ileracja (x10)",
     ylab="Błąd", col="darkred")

#stosuję wytrenowaną sieć do danych testowych
y<-sim(wynik$net,owoc[idxTest, -5])
y

#definiuję funkcję oceny klasyfikacji (zamieniam liczby na etykietę)
testKlasyfikacji<-function(zad,wy)
{
  zadane<-max.col(zad)
  rozpoznane<-max.col(wy)
  print(table(zadane,rozpoznane))
}
wynik<-testKlasyfikacji(wZadane[idxTest,],y)

#określamy dokładność klasyfikacji
cat("Dokładność klasyfikacji:",
    sum(diag(wynik))/sum(wynik)*100, "%\n")