Początek raportu

Andrzej_Preibisz.md

@@ -0,0 +1,47 @@
+#### Opis problemu
+Metodą uczenia, którą postanowiłem zaimplementować w projekcie były
+drzewa decyzyjne. Pola reprezentujące regały, lub chłodziarki
+różnią się między sobą temperaturą, oraz wilgotnością powietrza w danym miejscu.
+Paczki z kolei mogą zawierać towary następujących rodzajów:
+ - towar zwykły(normal)
+ - mrożony(freezed)
+ - kruchy(fragile)
+ - łatwo niszczejący pod wpływem wilgoci (keep_dry)
+ - łatwopalne(flammable)
+
+Paczki zawierające określony rodzaj towarów mają pewne parametry
+środowiskowe, w których zdecydowanie nie powinno się danego typu towaru
+przechowywać. Jako przykład może posłużyć mrożone jedzenie, którego
+stosunkowo szybko ulegnie pogorszeniu w temperaturze dodatniej, lub lakier,
+który zdecydowanie nie powinien znaleźć się w części magazynu, gdzie panuje temperatura 30 stopni.
+
+Celem drzewa decyzyjnego jest w tym wypadku przewidzenie prawdopodobnej szansy na to, że towar po przechowywaniu
+na danym regale przez dłuższy czas będzie w dobrym stanie.
+
+##### Zastosowane drzewo
+Drzewa decyzyjne dzielą się ogólnie na dwa rodzaje -  drzew klasyfikujących, lub drzew regresyjnych.
+Drzewo klasyfikujące pozwala podzielić zmienna przewidywaną na kategorie, na przykład Tak i Nie.
+
+Drzewo regresyjne z kolei dostarczy nam informacji o średniej wartości zmiennej estymowanej przy
+danej wartości atrybutów.
+
+W świecie projektu różny rodzaj towarów ma różne "progi", od których można go kłaść na regale X,
+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:
+``
+PACKAGE_PLACE_TRESHOLD = {
+	"normal": 0.8,
+	"freezed": 0.85,
+	"fragile": 0.85,
+	"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),
+czyli sytuacji, w której drzewo perfekcyjnie dopasuje się do danych ze zbioru uczącego, jednak
+z danymi spoza tego zbioru poradzi sobie już dużo gorzej. Oprócz błędnej oceny danych innych niż ze zbioru uczącego sygnałem wskazującym na overfitting drzewa
+jest zbyt duża jego głębokość drzewa (odległość od korzenia do najdalszego liścia), oraz liście zawierające tylko 1 rekord.