load choles_all 
% Carica li dataset Choless_all

[pn,meanp,stdp,tn,meant,stdt] = prestd(p,t); 
% Standardizza (normalizza) i dati in modo 
% che abbiano media 0 e deviazione standard 1
% pn = input normalizzati
% tn = output (target) normalizzati

[R,Q] = size(pn) 

iitst = 2:4:Q; 
% Crea l'indice per la creazione del dataset di Test

iival = 4:4:Q; 
% Crea l'indice per la creazione del dataset di Valutazione

iitr = [1:4:Q 3:4:Q]; 
% Crea l'indice per la creazione del dataset 
 % di Training (di dimensione doppia ripetto agli altri 2)

val.P = pn(:,iival); 
val.T = tn(:,iival); 
% Crea la struttura contenente la porzione di dataset 
% riservata alla Valutazione della rete

test.P = pn(:,iitst); 
test.T = tn(:,iitst);
% Crea la struttura contenente la porzione di dataset 
% riservata al Test della rete

ptr = pn(:,iitr); 
ttr = tn(:,iitr); 
% Porzione di dataset riservata al training della rete
% Porzione di dataset riservata ai dati utilizzati come 
% benchmark durante il training della rete

% Costruisco la rete neurale, in input fornisco i dati normalizzati. 
% La rete avrˆ uno
% strato intermedio formato da 5 neuroni e funzione di transizione Tansig
% ed un layer di uscita caratterizzato da 3 neuroni e funzione di
% transizione Purelin. Per l'addestramento della rete utilizzo la funzione
% Trainlm (Levenberg-Marquardt backpropagation)

net = newff(minmax(pn),[5 3],{'tansig' 'purelin'},'trainlm'); 

[net,tr]=train(net,ptr,ttr,[],[],val,test); 
% Training della rete, fornisco i dati di training (ptr), 
% i dati di benchmark, il
% validation set ed il test set.

an = sim(net,pn); 
% Verifichiamo il comportamento della rete neurale 
% fornendo come input i dati standardizzati

a = poststd(an,meant,stdt); 
% Ri-trasformo i dati nella forma originale

for i=1:3
figure(i) 
[m(i),b(i),r(i)] = postreg(a(i,:),t(i,:));
end
% Grafici