Matlab - How should I modify the structure of this script? We are working with the methodology of the multipl

% Lectura de los datos del archivo CSV

data = readtable('M-1.csv');

% Obtención de las variables independientes (X) y la variable dependiente (y)

X = table2array(data(:, 1:10));

y_labels = data(:, 11);

y = grp2idx(y_labels);

% Preprocesamiento de los datos

X = normalize(X);

% Conversión de la variable dependiente a matriz de variables dummy

Y = dummyvar(y);

% División de los datos en conjuntos de entrenamiento y prueba

train_ratio = 0.8; % Proporción de datos para entrenamiento

train_samples = floor(size(X, 1) * train_ratio);

X_train = X(1:train_samples, :);

Y_train = Y(1:train_samples, :);

X_test = X(train_samples+1:end, :);

Y_test = Y(train_samples+1:end, :);

% Definición de la arquitectura de la red neuronal

input_size = size(X, 2);

hidden_size = 10;

output_size = size(Y, 2);

% Inicialización de los pesos de manera aleatoria

W1 = randn(input_size, hidden_size);

W2 = randn(hidden_size, output_size);

% Entrenamiento de la red neuronal

epochs = 1000; % Número de iteraciones de entrenamiento

learning_rate = 0.1; % Tasa de aprendizaje

for epoch = 1:epochs

    % Forward propagation

    Z1 = X_train * W1;

    A1 = max(0, Z1); % Función de activación ReLU

    Z2 = A1 * W2;

    A2 = softmax(Z2); % Función de activación Softmax

    % Cálculo de la función de pérdida (cross-entropy)

    loss = -sum(sum(Y_train .* log(A2))) / size(X_train, 1);

    % Backpropagation

    dZ2 = A2 - Y_train;

    dW2 = A1' * dZ2;

    dA1 = dZ2 * W2';

    dZ1 = dA1 .* (A1 > 0);

    dW1 = X_train' * dZ1;

    % Actualización de los pesos

    W1 = W1 - learning_rate * dW1;

    W2 = W2 - learning_rate * dW2;

    % Mostrar el progreso del entrenamiento

    if mod(epoch, 100) == 0

        disp(['Epoch: ' num2str(epoch) ', Loss: ' num2str(loss)]);

    end

end

% Predicción en el conjunto de prueba

Z1_test = X_test * W1;

A1_test = max(0, Z1_test);

Z2_test = A1_test * W2;

A2_test = softmax(Z2_test);

[~, predicted_labels] = max(A2_test, [], 2);

% Conversión de las etiquetas de predicción a las categorías originales

predicted_labels = categorical(predicted_labels);

predicted_labels = renamecats(predicted_labels, y_labels(1));

% Evaluación del rendimiento del modelo

accuracy = sum(predicted_labels == y_labels(train_samples+1:end)) / numel(y_labels(train_samples+1:end));

disp(['Accuracy: ' num2str(accuracy)]);