From 0ee8f37dc6b514a3d1dcbf5abcd13db1acdca288 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Weronika=20Gor=C4=85cy?= Date: Fri, 8 May 2020 13:55:27 +0000 Subject: [PATCH] Zaktualizuj 'WGoracy.md' --- WGoracy.md | 14 +++++++------- 1 file changed, 7 insertions(+), 7 deletions(-) diff --git a/WGoracy.md b/WGoracy.md index 6042d53..0b00d6d 100644 --- a/WGoracy.md +++ b/WGoracy.md @@ -1,12 +1,12 @@ -# Podprojekt indywidualny - Weronika Gorący +## Podprojekt indywidualny - Weronika Gorący -## Wykorzystane metody uczenia +### Wykorzystane metody uczenia Do realizacji podprojektu wykorzystano drzewa decyzyjne do decydowania, na które regały należy umieścić paczkę na podstawie jej cech. Do implementacji drzew decyzyjnych w Pythonie wykorzystane zostały biblioteki *sklearn* i *pandas*. -## Omówienie kodu +### Omówienie kodu -Kod podprojektu znajduje się w klasie **whereDecision** w pliku [whereDecision.py](https://git.wmi.amu.edu.pl/s444399/AI/src/master/whereDecision.py). Wywołanie metody **recognize** odbywa się w klasie **program** w pliku [program.py](https://git.wmi.amu.edu.pl/s444399/AI/src/master/program.py). +Kod podprojektu znajduje się w klasie **whereDecision** w pliku [whereDecision.py](https://git.wmi.amu.edu.pl/s444399/AI/src/master/whereDecision.py). Wywołanie metody **recognize** odbywa się w klasie **program** w pliku [program.py](https://git.wmi.amu.edu.pl/s444399/AI/src/master/program.py) (linia 79). ``` whatIsIt = self.neurons.whatIsIt(easygui.fileopenbox("Wybierz zdjęcie paczki", "Wybierz zdjęcie paczki", filetypes = [["*.jpg", "*.jpeg", "*.png", "Pliki graficzne"]])) @@ -32,7 +32,7 @@ Metoda **regalsik()** sprawdza czy regał z tablicy **regals** jest pusty i jeż return tmp ``` -## Uczenie modelu +### Uczenie modelu Metoda **recognize** rozpoczyna od utworzenia zbioru uczącego na podstawie tabeli zawierającej informacje o pustych półkach na planszy. Dla każdego regału sprawdzany jest typ paczki, który może być na niej przechowywany, a następnie jest on dodawany do odpowiedniej kolumny. Tablica **lokacja** zawiera położenia wszystkich regałów na planszy. @@ -98,7 +98,7 @@ Do zmiennej **z** zapisywany jest nasz zbiór uczący, zaś do zmiennej **y** za y = prenumeratorzy["lokacja"] ``` -## Implementacja +### Implementacja Do zmiennej drzewko zapisujemy drzewo decyzyjne z biblioteki *sklearn* utworzone za pomocą metody **DecisionTreeClassifier** z parametrem **criterion** ustawionym na **"entropy"**, który pozwala na uzyskiwanie informacji. Na drzewie wywołujemy metodę **fit**, która dopasowuje do drzewa zbiór uczący zadany w tablicach **z** i **y**.Po dopasowaniu danych możemy przewidzieć przynależność nowych przykładów, co robimy wywołując na drzewie metodę **predict** z parametrem uzyskanym na samym początku, który zawiera informację o rodzaju otrzymanej paczki. W ostateczności zwracamy kod lokalizacji na której zostanie umieszczona paczka. @@ -108,4 +108,4 @@ Do zmiennej drzewko zapisujemy drzewo decyzyjne z biblioteki *sklearn* utworzone return list(make_tuple(lokacja_kody[drzewko.predict(recognize)][0])) ``` -Lokalizacja, którą zwróciła metoda **recognize** zapisywana jest do zmiennej **where** (klasa **program**) i na tej podstawie wózek z pomocą algorytmu AStar wybiera odpowiednią ścieżkę do umieszczenia paczki. \ No newline at end of file +Ostatecznie lokalizacja, którą zwróciła metoda **recognize** zapisywana jest do zmiennej **where** (klasa **program** linia 79) i na tej podstawie wózek z pomocą algorytmu AStar wybiera odpowiednią ścieżkę do umieszczenia paczki. \ No newline at end of file