raport update

Customertree.md

@@ -23,13 +23,13 @@ Piotr Jakub Dębski 																																						01.06.2020
 	 - pydot
 	oraz dodatkowo:
 	 - graphviz
-	za pomocą którego wygenerowane została reprezentacja wizualna drzew decyzyjnych 
+	za pomocą którego wygenerowane została reprezentacja wizualna modelów drzew decyzyjnych 
 	food_tree.pdf oraz drink_tree.pdf znajdujących się w folderze graphs.
 		 
 ### Dane
 
-	Dane na których podstawie algorytm ma stworzyć modele drzew decyzyjnych umieszczone zostały w
-	pliku learning_db.py i podzielone na 6 binarnych kategorii:
+	Dane na których podstawie algorytm ma stworzyć modele drzew decyzyjnych umieszczone zostały
+	w pliku learning_db.py i podzielone na 6 binarnych kategorii:
 		- gender - płeć ( M - mężczyzna  K - kobieta )
 		- age - wiek ( Adult - dorosły  Child - dziecko )
 		- outfit - ubiór ( Casual - codzienny  Elegant - reprezentacyjny )
@@ -37,37 +37,41 @@ Piotr Jakub Dębski 																																						01.06.2020
 		- vege - dieta wegetariańska ( "Yes" "No" )
 		- time - czas ( "Afternoon" - popołudnie  "Evening" - wieczór )
 	oraz na 2 kategorie, które mają zostać sklasyfikowane :
-	 - food - dania ( 35 wyborów )
-	 - drink - napoje ( 8 wyborów )
+	 - food - dania ( 10 wyborów )
+	 - drink - napoje ( 5 wyborów )
 	Dane zawierają 200 przykładów.
 	
 ### Tworzenie drzewa
 
 	1. Za pomocą funkcji pandas.DataFrame() program łączy ze sobą wszystkie przykłady w 
 	dwuwymiarową strukturę danych o wymiarach 9x200 (kategorie+index)x(przykłady).
-	2. Za pomocą funkcji pandas.factorize() program dostosowuje dane w każdej kolumnie do naszych
-	potrzeb i obliczeń.
+	2. Za pomocą funkcji pandas.factorize() program dostosowuje dane w każdej kolumnie do
+	naszych potrzeb i obliczeń.
 	3. Następnie model danych zostaje podzielony na X - zbiór przykładów oraz y - odpowiadający 
 	przykładom wynik czyli rodzaj dania.
 	4. Zestaw danych zostaje podzielony na testowy dzięki funkcji train_test_split()
-	( 25% - food , 40% - drink) i treningowy ( 75% - food , 60% - drink )
-	5. Dzięki funkcji DecisionTreeClassifier() oraz tą samą funkcją z argumentem wymagającym przyjęcia 
-	do kryterium entropii tworzą się dwa klasyfikatory (wyniki będą porównywane by wybrać 
-	dokładniejszą metodę)
+	( 10% - food , 40% - drink) i treningowy ( 55% - food , 45% - drink )
+	5. Dzięki funkcji DecisionTreeClassifier() oraz tą samą funkcją z argumentem wymagającym 
+	przyjęcia do kryterium entropii tworzą się dwa klasyfikatory (wyniki będą porównywane by 
+	wybrać dokładniejszą metodę)
 	6. Zestaw treningowy przekazany zostaje do funkcji fit() dzięki czemu można teraz 
 	przeprowadzić predykcję za pomocą funkcji predict(), której w miejsce argumentu wprowadzamy 
 	zestaw testowy.
-	7. W wyniku wielokrotnych porównań dokładności funkcji predict() na klasyfikatorach, entropia 
-	okazuje się lepszym kryterium od indeksu Giniego na zadanym zestawie danych, więc model drzewa
-	korzystający z tego kryterium zostaje zapisany do użycia w głównym ciele projektu.
-	8. Kroki 3-7 zostały powtórzone dla drzewa napojów, a odpowiednie wizualizacje drzew decyzyjnych
-	zapisane są w folderze graphs.
+	7. W wyniku wielokrotnych porównań dokładności funkcji predict() na klasyfikatorach,
+	entropia okazuje się lepszym kryterium od indeksu Giniego na zadanym zestawie danych, więc
+	model drzewa korzystający z tego kryterium zostaje zapisany do późniejszego stosowania.
+	8. Kroki 3-7 zostały powtórzone dla drzewa napojów, a odpowiednie wizualizacje drzew
+	decyzyjnych zapisane są w folderze graphs.
 	
 ### Synchronizacja w projekcie
 
 	Modele food_model i drink_model zostaną załadowane do programu z folderu models.
-	Do obsługi stworzonego modelu stworzona jest klasa Client oraz funkcja client_ordering(ctr) 
-	Klasa Client poprzez swój konstruktor automatycznie losuje wszystkie cechy, na podstawie
-	których funkcja predict() wybiera danie oraz napój, natomiast funkcja client_ordering(ctr) wymaga
-	w swoim argumencie posiadania obiektu klasy Client, z której pobierze wszystkie wartości cech 
-	i przeniesie je do funkcji predict() zwracając otrzymane wyniki. 
+	Do obsługi stworzonego modelu stworzona jest klasa Client oraz funkcja client_ordering(clt) 
+	Klasa Client poprzez swój konstruktor automatycznie losuje wszystkie cechy oraz pobiera
+	aktualną godzinę, natomiast funkcja client_ordering(clt) wymaga w swoim argumencie
+	posiadania obiektu klasy Client, z której pobierze wszystkie wartości cech i przeniesie je
+	do funkcji predict() zwracając otrzymane przez klienta zamówienie. 
+<!--stackedit_data:
+eyJoaXN0b3J5IjpbLTc0NzY1NDM0MiwxMDUxMDAwNjk2LDExNT
+Q5MzU2MTZdfQ==
+-->