%% Skrypt: Klasyfikacja płci pacjentów (Patients Dataset) przy użyciu MLP z definiowaniem warstw
clear all;
close all;
rng('default');  % Ustawienie generatora liczb losowych dla powtarzalności wyników

%% 1. Wczytanie i przygotowanie danych
load patients;  % Wczytanie wbudowanego zbioru danych "patients" (tabela)
% Wybieramy cechy: Age, Height, Weight
X = [Age, Height, Weight];  
Y = Gender;             % Wybór zmiennej celu: Gender
Y = categorical(Y);              % Konwersja etykiet do typu categorical

% Podział danych na zbiór treningowo-walidacyjny oraz testowy (70%:30%)
cv1 = cvpartition(Y, 'Holdout', 0.3);       
XTrainVal = X(training(cv1), :); % Dane do treningu i walidacji
YTrainVal = Y(training(cv1));    
XTest = X(test(cv1), :);         % Dane testowe
YTest = Y(test(cv1));

% Dalszy podział zbioru treningowo-walidacyjnego na trening (80%) i walidację (20%)
cv2 = cvpartition(YTrainVal, 'Holdout', 0.2);
XTrain = XTrainVal(training(cv2), :);  % Dane treningowe
YTrain = YTrainVal(training(cv2));
XVal = XTrainVal(test(cv2), :);          % Dane walidacyjne
YVal = YTrainVal(test(cv2));

%% 2. Definicja architektury sieci MLP (używając warstw)
inputSize = size(X,2);   % Liczba cech (3: Age, Height, Weight)
numClasses = 2;          % Dwie klasy (np. 'F' i 'M')

% Definicja architektury sieci MLP
layers = [
    featureInputLayer(inputSize,'Name','input')    % Warstwa wejściowa
    fullyConnectedLayer(10,'Name','fc1')           % Warstwa w pełni połączona z 10 neuronami
    reluLayer('Name','relu1')                      % Warstwa aktywacji ReLU
    fullyConnectedLayer(numClasses,'Name','fc2')   % Warstwa w pełni połączona; 2 neurony = 2 klasy
    softmaxLayer('Name','softmax')                 % Warstwa softmax (rozkład prawdopodobieństw)
    classificationLayer('Name','classOutput')      % Warstwa klasyfikująca (oblicza stratę)
];

%% 3. Ustawienie opcji treningu z walidacją
options = trainingOptions('adam', ...             % Użycie optymalizatora Adam
    'MaxEpochs', 50, ...                           % Liczba epok treningu
    'MiniBatchSize', 16, ...                       % Rozmiar mini-batcha
    'ExecutionEnvironment','gpu', ...              % Użycie GPU, jeśli dostępne ('auto' też jest możliwe)
    'InitialLearnRate', 0.01, ...                  % Początkowy współczynnik uczenia
    'ValidationData', {XVal, YVal}, ...            % Dane walidacyjne (20% zbioru treningowo-walidacyjnego)
    'ValidationFrequency', 5, ...                  % Walidacja co 5 epok
    'Plots','training-progress', ...               % Wyświetlanie wykresu postępu treningu
    'Verbose', false);                             % Wyłączenie dodatkowych komunikatów

%% 4. Trenowanie sieci MLP
net = trainNetwork(XTrain, YTrain, layers, options);  % Trenowanie sieci na danych treningowych

%% 5. Ocena na zbiorze testowym
% Predykcja etykiet na zbiorze testowym
YPred = classify(net, XTest);  % Funkcja classify zwraca przewidywane etykiety
YPred = YPred(:);              % Upewnienie się, że YPred jest kolumnowym wektorem
YTest = YTest(:);              % Upewnienie się, że YTest jest kolumnowym wektorem

% Obliczenie dokładności klasyfikacji
accuracy = mean(YPred == YTest);
disp("Dokładność (accuracy) na zbiorze testowym: " + accuracy);

% Rysowanie macierzy pomyłek
figure;                          % Utworzenie nowego okna wykresu
plotconfusion(YTest, YPred);     % Rysowanie macierzy pomyłek
title('Macierz pomyłek: Sieć MLP (Patients Dataset) - Zbiór Testowy');

%% 6. (Opcjonalnie) Tabela z porównaniem wyjść
% Tworzymy tabelę z cechami oraz rzeczywistymi i przewidywanymi etykietami
comparisonTable = array2table(XTest, 'VariableNames', {'Age', 'Height', 'Weight'});
comparisonTable.RealLabel = cellstr(YTest);         % Konwersja rzeczywistych etykiet do formatu cell array
comparisonTable.PredictedLabel = cellstr(YPred);       % Konwersja przewidywanych etykiet do formatu cell array
disp("TABELA: Porównanie etykiet rzeczywistych i przewidywanych (zbiór testowy)");
disp(comparisonTable);

%% 7. Wykres 3D punktów (cechy: Age, Height, Weight) – nakładanie danych uczących i testowych
% Predykcja etykiet dla zbioru treningowego
YPredTrain = classify(net, XTrain);  
YPredTrain = YPredTrain(:);  % Upewnienie się, że YPredTrain jest kolumnowym wektorem
YTrain = YTrain(:);          % Upewnienie się, że YTrain jest kolumnowym wektorem

% Określenie, które próbki zostały poprawnie sklasyfikowane (trening)
idxTrainCorrect = (YPredTrain == YTrain);
idxTrainIncorrect = ~idxTrainCorrect;

% Predykcja etykiet dla zbioru testowego (już obliczone wcześniej: YPred, YTest)
idxTestCorrect = (YPred == YTest);
idxTestIncorrect = ~idxTestCorrect;

% Utworzenie wykresu 3D
figure;                        % Nowe okno wykresu
hold on;                       % Utrzymanie wykresu, aby dodać kolejne elementy
title('Wykres 3D: Dane uczące i testowe (Age, Height, Weight)');
xlabel('Age');                % Etykieta osi X
ylabel('Height');             % Etykieta osi Y
zlabel('Weight');             % Etykieta osi Z

% --- Dane uczące ---
% Rysowanie poprawnych próbek treningowych – zielone, wypełnione okręgi
scatter3(XTrain(idxTrainCorrect,1), XTrain(idxTrainCorrect,2), XTrain(idxTrainCorrect,3), ...
    50, 'g', 'o', 'filled', 'DisplayName', 'Train Correct');
% Rysowanie błędnych próbek treningowych – czerwone, puste okręgi
scatter3(XTrain(idxTrainIncorrect,1), XTrain(idxTrainIncorrect,2), XTrain(idxTrainIncorrect,3), ...
    50, 'r', 'o', 'DisplayName', 'Train Incorrect');

% --- Dane testowe ---
% Rysowanie poprawnych próbek testowych – niebieskie, wypełnione kwadraty
scatter3(XTest(idxTestCorrect,1), XTest(idxTestCorrect,2), XTest(idxTestCorrect,3), ...
    80, 'b', 's', 'filled', 'DisplayName', 'Test Correct');
% Rysowanie błędnych próbek testowych – czarne, puste kwadraty
scatter3(XTest(idxTestIncorrect,1), XTest(idxTestIncorrect,2), XTest(idxTestIncorrect,3), ...
    80, 'k', 's', 'DisplayName', 'Test Incorrect');

grid on;                       % Włączenie siatki na wykresie
legend('Location','best');     % Dodanie legendy w najlepszej lokalizacji
hold off;                      % Zakończenie nanoszenia elementów na wykres