5.5 KiB
Podprojekt indywidualny - Weronika Gorący
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
Kod podprojektu znajduje się w klasie whereDecision w pliku whereDecision.py. Wywołanie metody recognize odbywa się w klasie program w pliku program.py.
whatIsIt = self.neurons.whatIsIt(easygui.fileopenbox("Wybierz zdjęcie paczki", "Wybierz zdjęcie paczki", filetypes = [["*.jpg", "*.jpeg", "*.png", "Pliki graficzne"]]))
where = self.whereDecision.recognize(whatIsIt, self.regalsik())
Do zmiennej whatIsIt zostaje zapisany typ otrzymanej paczki w formie tablicy binarnej, który został rozpoznany dzięki innemu podprojektowi, następnie wywoływana jest metoda recognize z parametrami whatIsIt i self.regalsik().
Do tablicy regals zapisywane są dane wszystkich regałów wygenerowanych na planszy.
self.regals.append((i, j, (self.map[i][j]-3)//4))
Metoda regalsik() sprawdza czy regał z tablicy regals jest pusty i jeżeli tak, to umieszcza go w tablicy wyjściowej, która ostatecznie jest tablicą krotek zawierajacych informacje o wszystkich pustych regałach na planszy. Każda krotka zawiera informacje o współrzędnej Y i X regału oraz typ paczki jaki może być na niej przechowywany.
def regalsik(self):
tmp = []
for regal in self.regals:
if self.map[regal[0]][regal[1]].isOccupied()==False:
tmp.append(regal)
return tmp
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 tablicy. Tablica lokacja zawiera położenia wszystkich regałów na planszy.
def recognize(self, recognize, regals):
zwykle = []
kruche = []
latwopalne = []
radioaktywne = []
niebezpieczne = []
lokacja = []
for regal in regals:
if (regal[2] == 1):
zwykle.append(0)
kruche.append(1)
latwopalne.append(0)
radioaktywne.append(0)
niebezpieczne.append(0)
lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
elif (regal[2] == 2):
zwykle.append(0)
kruche.append(0)
latwopalne.append(1)
radioaktywne.append(0)
niebezpieczne.append(0)
lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
elif (regal[2] == 3):
zwykle.append(0)
kruche.append(0)
latwopalne.append(0)
radioaktywne.append(1)
niebezpieczne.append(0)
lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
elif (regal[2] == 4):
zwykle.append(0)
kruche.append(0)
latwopalne.append(0)
radioaktywne.append(0)
niebezpieczne.append(1)
lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
else:
zwykle.append(1)
kruche.append(0)
latwopalne.append(0)
radioaktywne.append(0)
niebezpieczne.append(0)
lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
Jeżeli wszystkie półki są zajęte, wózek zatrzyma się w swojej wyjściowej pozycji.
if len(zwykle) == 0:
return [1, 2]
Do zmiennej z zapisujemy połączone tablice wszystkich typów regałów, zaś do zmiennej y zapisujemy tabelę prenumeratorzy typu DataFrame z biblioteki pandas, która zawiera dane lokalizacji konkretnych regałów.
z = list(zip(zwykle, kruche, latwopalne, radioaktywne, niebezpieczne))
prenumeratorzy = pd.DataFrame({"lokacja": lokacja})
prenumeratorzy["lokacja"], lokacja_kody = pd.factorize(prenumeratorzy["lokacja"])
y = prenumeratorzy["lokacja"]
Zmienne z i y są naszym zbiorem uczącym.
Implementacja
Do zmiennej drzewko zapisujemy drzewo decyzyjne z biblioteki sklearn utworzone za pomocą obiektu klasy DecisionTreeClassifier z parametrem konstruktora criterion ustawionym na "entropy". Na drzewie wywołujemy metodę fit, która tworzy model danych w oparciu o nasz zbiór uczący. Po utworzeniu modelu 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 krotkę zawierającą lokalizację, na której zostanie umieszczona paczka.
drzewko = DecisionTreeClassifier(criterion="entropy")
drzewko.fit(X=z, y=y)
return list(make_tuple(lokacja_kody[drzewko.predict(recognize)][0]))
Ostatecznie 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.