%% TEST 1: MLP Z PODZIAŁEM NA ZBIORY (TRAIN, VALIDATION, TEST)
% W tym skrypcie trenujemy sieć neuronową typu MLP (Multi-Layer Perceptron)
% na zbiorze danych IRIS. Sieć będzie dokonywać klasyfikacji odmian irysów
% (Setosa, Versicolor, Virginica). Dodatkowo wykorzystujemy walidację.
% potrzebne toolboxy: Deep Learning Toolbox, Statistics and Machine Learning Toolbox, Parallel
% Computing Toolbox (dla uczenia z GPU)
%% 1. Przygotowanie danych
rng('default');  % Ustawiamy generator liczb losowych (dla powtarzalności wyników)

load fisheriris % jest w Statistics and Machine Learning Toolbox
% Plik 'fisheriris.mat' ładuje do workspace:
%   - meas:  [150x4]   -> macierz cech (SepalLength, SepalWidth, PetalLength, PetalWidth)
%   - species: [150x1] -> nazwy odmian (Setosa, Versicolor, Virginica)

X = meas;                 % Zmienna X (cechy) -> [150x4]
Y = categorical(species); % Zmienna Y (etykiety) -> [150x1] (3 kategorie)

n = size(X,1);            % Liczba próbek = 150
idx = randperm(n);        % Losowo permutujemy indeksy 1..150

% Ustalamy proporcje zbiorów: 60% (train), 20% (val), 20% (test)
trainRatio = 0.6;
valRatio   = 0.2;
testRatio  = 0.2;         % Suma = 1.0

nTrain = round(trainRatio * n);  % Liczba próbek w zbiorze treningowym
nVal   = round(valRatio   * n);  % Liczba próbek w zbiorze walidacyjnym
% Pozostałe ~ 20% pójdzie do testu

% Wyznaczamy indeksy do train, val, test z losowej permutacji 'idx'
trainIdx = idx(1 : nTrain);
valIdx   = idx(nTrain+1 : nTrain + nVal);
testIdx  = idx(nTrain + nVal + 1 : end);

% Przygotowujemy zbiory XTrain, YTrain, XVal, YVal, XTest, YTest
XTrain = X(trainIdx, :);
YTrain = Y(trainIdx, :);

XVal   = X(valIdx, :);
YVal   = Y(valIdx, :);

XTest  = X(testIdx, :);
YTest  = Y(testIdx, :);

%% 2. Definicja architektury sieci MLP
% MLP = Multi-Layer Perceptron. Zrobimy prostą sieć:
%  -> Wejście: 4 cechy
%  -> fullyConnectedLayer(10) + reluLayer
%  -> fullyConnectedLayer(3) + softmaxLayer + classificationLayer

inputSize = 4;     % Liczba cech (4: SepalLength, SepalWidth, PetalLength, PetalWidth)
numClasses = 3;    % Liczba klas (3 odmiany irysa)

layers = [
    featureInputLayer(inputSize,'Name','input')    % warstwa wejściowa
    fullyConnectedLayer(10,'Name','fc1')           % warstwa w pełni połączona (10 neuronów)
    reluLayer('Name','relu1')                      % funkcja aktywacji ReLU
    fullyConnectedLayer(numClasses,'Name','fc2')   % warstwa w pełni połączona (3 neurony - 3 klasy)
    softmaxLayer('Name','softmax')                 % warstwa softmax (rozkład prawd. dla 3 klas)
    classificationLayer('Name','classOutput')      % warstwa klasyfikująca (entropia krzyżowa)
];

%% 3. Ustawienie opcji treningu z walidacją
% Ustawiamy parametry trenowania (opt. 'adam', 50 epok, walidacja itd.)
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 16, ...
    'ExecutionEnvironment','gpu', ...
    'InitialLearnRate', 0.01, ...
    'ValidationData', {XVal, YVal}, ...       % Zbiór walidacyjny
    'ValidationFrequency', 5, ...            % Co ile batchy liczymy walidację
    'Plots','training-progress', ...
    'Verbose',false);

%% 4. Trenowanie sieci
% trainNetwork trenuje sieć wg. definicji 'layers' i opcji 'options'
net = trainNetwork(XTrain, YTrain, layers, options);

%% 5. Ocena na zbiorze testowym
% Predykcja etykiet na XTest
YPred = classify(net, XTest);
% Dokładność klasyfikacji
accuracy = mean(YPred == YTest);
disp("Dokładność (accuracy) na zbiorze testowym: " + accuracy);

% Rysujemy macierz pomyłek (confusion matrix)
figure;
plotconfusion(YTest, YPred);
title('Macierz pomyłek: Sieć MLP (IRIS) - Zbiór Testowy');

%% (Opcjonalnie) 6. Tabela z porównaniem wyjść
% Tworzymy tabelę (cechy + etykieta rzeczywista + etykieta przewidywana)
comparisonTable = array2table(XTest, ...
    'VariableNames', {'SepalLength','SepalWidth','PetalLength','PetalWidth'});
comparisonTable.RealLabel = cellstr(YTest);
comparisonTable.PredictedLabel = cellstr(YPred);

disp("TABELA: Porównanie etykiet rzeczywistych i przewidywanych (zbiór testowy)");
disp(comparisonTable);

%% (Opcjonalnie) 7. Wykres 3D punktów (cechy 1,2,3) – dane uczące vs dane testowe

figure; 
hold on;
title('Wykres 3D IRIS: Zbiór Treningowy (rzeczywiste etykiety) vs Zbiór Testowy (przewidywane)');

% --- 1. Dane treningowe (rzeczywiste etykiety) ---
% Indeksy zbioru treningowego:
%   trainIdx -> zdefiniowany wcześniej w programie
% Wyciągamy z X i Y (a) tylko te próbki i (b) dzielimy na klasy według etykiet rzeczywistych.

% Rzeczywiste etykiety w zbiorze treningowym
YTrainSetosa     = (YTrain == "setosa");
YTrainVersicolor = (YTrain == "versicolor");
YTrainVirginica  = (YTrain == "virginica");

% Rysujemy w 3D dane treningowe, kolorem/markerem odzwierciedlając klasy
scatter3(XTrain(YTrainSetosa,1),    XTrain(YTrainSetosa,2),    XTrain(YTrainSetosa,3),   ...
    'o', 'MarkerEdgeColor','b', 'DisplayName','Trening: setosa');
scatter3(XTrain(YTrainVersicolor,1),XTrain(YTrainVersicolor,2),XTrain(YTrainVersicolor,3),...
    'o', 'MarkerEdgeColor','g', 'DisplayName','Trening: versicolor');
scatter3(XTrain(YTrainVirginica,1), XTrain(YTrainVirginica,2), XTrain(YTrainVirginica,3), ...
    'o', 'MarkerEdgeColor','r', 'DisplayName','Trening: virginica');

% --- 2. Dane testowe (przewidywane etykiety) ---
% Indeksy zbioru testowego: testIdx -> zdefiniowany wcześniej
% (Załóżmy, że mamy już YPred = classify(net, XTest).)

idxSetosaTest     = (YPred == 'setosa');
idxVersicolorTest = (YPred == 'versicolor');
idxVirginicaTest  = (YPred == 'virginica');

% Rysujemy w 3D dane testowe, innym markerem (np. kwadrat/kwadrat/diament),
% i kolorem dopasowanym do przewidywanej klasy.
scatter3(XTest(idxSetosaTest,1),     XTest(idxSetosaTest,2),     XTest(idxSetosaTest,3),    ...
    's', 'MarkerEdgeColor','b', 'MarkerFaceColor','b', 'DisplayName','Test pred: setosa');
scatter3(XTest(idxVersicolorTest,1), XTest(idxVersicolorTest,2), XTest(idxVersicolorTest,3), ...
    's', 'MarkerEdgeColor','g', 'MarkerFaceColor','g', 'DisplayName','Test pred: versicolor');
scatter3(XTest(idxVirginicaTest,1),  XTest(idxVirginicaTest,2),  XTest(idxVirginicaTest,3),  ...
    's', 'MarkerEdgeColor','r', 'MarkerFaceColor','r', 'DisplayName','Test pred: virginica');

% --- 3. Ustawienia wykresu ---
grid on;
xlabel('Cecha 1: SepalLength');
ylabel('Cecha 2: SepalWidth');
zlabel('Cecha 3: PetalLength');
legend('Location','best');