junk

// const y = tf.oneHot(tf.tensor1d(labels, "int32"), numClasses);

// const history = await model.fit(x, y, { epochs: 50 });

// Overly complex model below
// Define the model architecture
// const model = tf.sequential();
// model.add(
//   tf.layers.dense({
//     inputShape: [48],
//     units: 128,
//     activation: "relu",
//     kernel_regularizer: tf.regularizers.l2({ l2: 0.005 }),
//   })
// );
// model.add(tf.layers.dropout({ rate: 0.5 }));
// model.add(
//   tf.layers.dense({
//     units: 64,
//     activation: "relu",
//     kernel_regularizer: tf.regularizers.l2({ l2: 0.05 }),
//   })
// );
// model.add(tf.layers.dropout({ rate: 0.5 }));
// model.add(
//   tf.layers.dense({
//     units: numClasses,
//     activation: "softmax",
//   })
// );

// // Compile the model
// model.compile({
//   optimizer: "adam",
//   loss: "categoricalCrossentropy",
//   metrics: ["accuracy"],
// });

// const features = [];
// const labels = [];

// // shuffle the data
// // let shuffled = resultsArray.sort(() => 0.5 - Math.random());

// // Prepare the data
// for (let i = 0; i < newResultsArray.length; i++) {
//   features.push(newResultsArray[i][0]);
//   labels.push(newResultsArray[i][1]);
// }

// const fLength = features.length;

// console.log(features, "features");
// console.log(labels, "labels");

// const x = tf.tensor2d(features, [fLength, 48]);
// const y = tf.oneHot(tf.tensor1d(labels, "int32"), numClasses);

// const history = await model.fit(x, y, { epochs: 500 });