% 3 hz szeparálása svm-mel 

A=importdata('elemek3.txt');

X=A(:,1:2);
Y=A(:,3);

%végezzük el az osztályozást
model=fitcecoc(X,Y)

%ellenőrizzük, hogy jól sorolta-e be a 3 hz elemeit
ypred=predict(model,X);
crosstab(Y,ypred)

% nézzük meg részleteiben az osztályozást
% 3 db bináris osztályozással történt az osztályozás. 
% Az osztalyok nevei
model.ClassNames

% amit az első osztályozóról tudni lehet (ez az első két osztályt sorolja szét)
model.BinaryLearners{1}  


%Ábrázoljuk a 3 bináris osztályozás eredményét
figure 
%egész képernyős ábra lesz
set(gcf, 'Units', 'Normalized', 'OuterPosition', [0, 0.04, 1, 0.96]);
%az első 2 hz-t elválasztó egyenes (x'*beta+b) paraméterei: 
beta=model.BinaryLearners{1}.Beta;
b=model.BinaryLearners{1}.Bias;

% ábrázoljuk előbb a 3 hz-t
subplot(2,2,1)
gscatter(A(:,1),A(:,2),A(:,3),'brk','*o+')
hold on
% utána az első egyenest
refline(-beta(1)/beta(2),-b/beta(2))
title('1 vs 2');

% a 2. bináris osztályozó (az 1 és 3 hz-ok szeparálása)
beta=model.BinaryLearners{2}.Beta;
b=model.BinaryLearners{2}.Bias;
% ábrázoljuk előbb a 3 hz-t
subplot(2,2,2)
gscatter(A(:,1),A(:,2),A(:,3),'brk','*o+')
hold on
% a 2. egyenes
refline(-beta(1)/beta(2),-b/beta(2))
title('1 vs 3');

% a 3. bináris osztályozó (a 2 és 3 hz-ok szeparálása)
beta=model.BinaryLearners{3}.Beta;
b=model.BinaryLearners{3}.Bias;
% ábrázoljuk előbb a 3 hz-t
subplot(2,2,3)
gscatter(A(:,1),A(:,2),A(:,3),'brk','*o+')
hold on
% a 3. egyenes (mivel beta(2)=0)
plot([-b/beta(1) -b/beta(1)],[-15 20])
title('2 vs 3');


% a teljes szeparálás
grX=linspace(-10,15,200);
grY=linspace(-15,20,200);
[X,Y]=meshgrid(grX,grY);
xy=[X(:) Y(:)];
outxy=predict(model,xy);

subplot(2,2,4)
gscatter(A(:,1),A(:,2),A(:,3),'brk','*o+')
hold on
contour(X,Y,reshape(outxy,length(grX),length(grY)));