From 0dcc57ba937e82d7e4a62913f641b0a6658ba997 Mon Sep 17 00:00:00 2001 From: andrzej Date: Mon, 11 May 2020 13:28:06 +0200 Subject: [PATCH] Poprawka --- Andrzej_Preibisz.md | 5 +++-- 1 file changed, 3 insertions(+), 2 deletions(-) diff --git a/Andrzej_Preibisz.md b/Andrzej_Preibisz.md index c93b72f..d94bb94 100644 --- a/Andrzej_Preibisz.md +++ b/Andrzej_Preibisz.md @@ -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),