Poprawka

Andrzej_Preibisz.md

@@ -74,6 +74,15 @@ Przygotowanie zbioru uczącego i testowego dla drzewa:
 		X_train = pd.get_dummies(products[feature_cols])
 		y_train = products.chance_of_survive
    ```
+Uczenie drzewa i ewaluacja przy pomocy zbioru testowego:
+``` python
+    self.predictor = clf.fit(X_train, y_train)
+
+	y_pred = self.predictor.predict(test_X)
+
+```
+
+
 Graficzna reprezentacja drzewa wygenerowanego dla tego zbioru uczącego:
 ![Przykładowe drzewo](Drzewo.png)
 
@@ -82,3 +91,45 @@ Wyniki ewaluacji zestawu testowego, znajdujące się w pliku Test_results.xlsx:
 
 Przewidywana wartość w zestawie testowym różni się od wartości faktycznej średnio o 0.87, jako że w raporcie wartości są pomnożone przez 10, daje to średnio
 0.087 wartości różnicy w czasie działania drzewa.
+
+
+##### Zastosowanie drzewa w części wspólnej projektu
+
+Po podniesieniu paczki przez agenta odpalana jest funkcja szukająca najbliższego pasującego regału.
+Przy poszukiwaniu takiego regału stosowana jest funkcja heurystyczna o następującym kodzie:
+```python
+    def rack_heuristics(self, start, goal, can_place):
+		heur_can_place = not can_place
+		diff_x = pow(goal.x - start.x, 2)
+		diff_y = pow(goal.y - start.y, 2)
+		place_cost = 100 * float(heur_can_place)
+		return round(sqrt(diff_x + diff_y), 3) + float(place_cost)
+```
+Parametr can_place to wynik ewaluacji pola goal, przy pomocy drzewa:
+```python
+    		for rack in quarter_racks:
+			new_node = Node(rack.x_position, rack.y_position)
+			can_place = self.location_classifier.check_if_can_place(package, rack)
+			cost = self.rack_heuristics(start_node, new_node, can_place)
+```
+self.location_classifier, to obiekt klasy PackageLocationClassifier.
+Klasa ta zawiera metodę check_if_can_place() :
+```python
+    	def check_if_can_place(self, package, tile):
+		category = package.category
+		cat_treshold = PACKAGE_PLACE_TRESHOLD[category]
+		fields = [[
+				  tile.air_temperature,
+				  tile.humidity,
+				  category == "flammable",
+				  category == "fragile",
+				  category=="freezed" ,
+				  category == "keep_dry",
+				  category == "normal"
+				  ]]
+
+		quality_of_place = round(self.predictor.predict(fields)[0]/10, 2)
+		if quality_of_place > cat_treshold:
+			return True
+		return False
+```

package_location_classifier/classifier.py

@@ -42,8 +42,6 @@ class PackageLocationClassifier():
 		clf = DecisionTreeRegressor(ccp_alpha=0.02, min_samples_leaf=5, max_depth=5)
 		self.predictor = clf.fit(X_train, y_train)
 
-
-
 		y_pred = self.predictor.predict(test_X)
 
 		evaluation = pd.DataFrame({'category': testset.category, 'temperature': testset.temperature , 'humid': testset.humidity ,'Actual': test_y, 'Predicted': y_pred})
@@ -69,8 +67,6 @@ class PackageLocationClassifier():
 				  ]]
 
 		quality_of_place = round(self.predictor.predict(fields)[0]/10, 2)
-		# print("{} - dopasowanie {}".format(package,quality_of_place))
-		# pdb.set_trace()
 		if quality_of_place > cat_treshold:
 			return True
 		return False