s444360/SI_2020
1
0
Fork 0
Code Issues Pull Requests Releases Wiki Activity

Poprawka

Browse Source
This commit is contained in:
andrzej 2020-05-11 13:28:06 +02:00
parent c090ead495
commit 0dcc57ba93
1 changed files with 3 additions and 2 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

5
Andrzej_Preibisz.md
View File

@ -29,7 +29,8 @@ W świecie projektu różny rodzaj towarów ma różne "progi", od których moż
na przykład kładąc paczkę z lakierem/benzyną na regale lepiej mieć trochę większą pewność, że towar nie nagrzeje się nadmiernie, aniżeli
kładąc książkę - że nie zniszczeje od wilgoci. W związku z tym zamiast prostej odpowiedzi Tak/Nie na pytanie
czy dany obiekt można położyć na danym regale potrzebna była przewidywana wartość prawdopodobieństwa że w danym miejscu
zachowa się on w dobrym stanie. Wszystkie te progi wynoszą odpowiednio: ``
zachowa się on w dobrym stanie. Wszystkie te progi wynoszą odpowiednio:
``
PACKAGE_PLACE_TRESHOLD = {
"normal": 0.8,
"freezed": 0.85,
@ -37,7 +38,7 @@ zachowa się on w dobrym stanie. Wszystkie te progi wynoszą odpowiednio: ``
"flammable": 0.9,
"keep_dry": 0.8
}
``
``
Zdecydowałem się więc na wybór drzewa regresyjnego.
Biblioteką której użyłem w celu implementacji drzewa jest scikit-learn.
Najważniejszym problemem oprócz dokładności oszacowań dokonanych przy pomocy drzewa było uniknięcie overfittingu(przepasowania),