P5_Katarzyna_Giadla.m

close all; clear all; clc;

in_value = iris_dataset; %danymi wejściowymi jest
% zbiór danych, gdzie w I i II kolumnie mamy dane o długości
% i szerokości działki kielicha, a w III i IV kolumnie
% o długości i szerokości płatka (wszystkie wymiary podane są w cm)

plot(in_value(1, :) ,in_value(2, :), 'b.', in_value(3, :), in_value(4, :), 'g.');
% narysowanie dwuwymiarowego wykresu zależności 
% długości od szerokości
hold on; grid on; %hold - zapamiętanie aktualnego wykresu,
% kiedy tworzą się inne wykresy
% grid - wyświetlanie linii siatek wykresu0

dimensions = [12 12]; % wymiary wektora  
coverstep = 50; %etapy szkolenia w celu pokrycia przestrzeni wejściowej
initNeighbor = 0; % wejściowy rozmiar sąsiedztwa
topologyFcn = 'hextop'; %funkcja topologiczna -> kształt, jaki będą przyjmować nasze dane
% mogą przyjmować kształt trójkąta, siatek kwadratowych, sześciokątów, itp.
distanceFcn = 'dist'; %funkcja dystansu neronów - miara euklidesowa (znormalizowana)
% domyślnym parametrem jest odległość między neuronami warstwy z
% uwzglednieniem ich położenia

net = selforgmap(dimensions, coverstep, initNeighbor, topologyFcn, distanceFcn); %tworzenie mapy samoorganizacji 
net.trainFcn = 'trainbu'; %uczenie bez nauczyciela
net.trainParam.epochs = 600;
net.trainParam.lr = 0.9; %współczynnik uczenia
[net, tr] = train(net, in_value); %trening sieci
y = net(in_value); %testowanie i zapis wyników osiągniętych przez sieć