%Algorithme LVQ appliqué aux données Iris
function lvq_iris

fid=fopen('iris.data', 'rt');
for i=1:150
   car(i,1)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   car(i,2)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   car(i,3)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   car(i,4)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   nom=fscanf(fid, '%s', 1);
end
fclose(fid);

%Création d'un tableau d'indices
for i=1:50
   Tc(i)=1;
   Tc(i+50)=2;
   Tc(i+100)=3;
end;
Tc
T=ind2vec(Tc)
cible=full(T)

net=newlvq(minmax(car'),3,[1/3 1/3 1/3], 0.1);
for i=1:4							%initialisation des 3 vecteurs poids à la moyenne de 4 exemples, pour chaque classe
   w(1,i)=(car(1, i)+car(2, i)+car(3, i)+car(4, i))/4;
   w(2,i)=(car(50+1, i)+car(50+2, i)+car(50+3, i)+car(50+4, i))/4;
   w(3,i)=(car(100+1, i)+car(100+2, i)+car(100+3, i)+car(100+4, i))/4;
end
net.IW{1}=w;
net.trainParam.epochs=1000;
net=train(net,car',T);
W=net.IW{1,1};
Y=sim(net,car')

%Statistiques classification (taux d'erreurs)
sum(sum(abs(Y-cible))/2)/150*100

%Affichage de Sammon
w=net.IW{1,1}
for i=1:4						%on rajoute un point par classe
   car(151, i)=w(1,i);		%qui servira à visualiser les vecteurs
   car(152, i)=w(2,i);		%poids des neurones(=représentants des
   car(153, i)=w(3,i);		%classes
end
S = som_sammon(car,2,0.1,'errlimit');
clf %effacement figure
plot(S(1:50,1), S(1:50,2), '+'); 		%affichage des 50 premières données
hold on
plot(S(51:100,1), S(51:100,2), 'o'); 	%affichage des 50 suivantes
hold on
plot(S(101:150,1), S(101:150,2), 'x'); %etc
plot(S(151,1), S(151,2), '+r');			%affichage des vecteurs poids
hold on
plot(S(152,1), S(152,2), 'or');
hold on
plot(S(153,1), S(153,2), 'xr');
hold off