commit_natalia2

.idea/DSZI.iml

@@ -5,7 +5,7 @@
       <excludeFolder url="file://$MODULE_DIR$/Restaurant/Marta/venv" />
       <excludeFolder url="file://$MODULE_DIR$/venv" />
     </content>
-    <orderEntry type="jdk" jdkName="Python 3.7" jdkType="Python SDK" />
+    <orderEntry type="jdk" jdkName="Python 3.7 (projekt_sztuczna)" jdkType="Python SDK" />
     <orderEntry type="sourceFolder" forTests="false" />
   </component>
   <component name="TestRunnerService">

.idea/misc.xml

@@ -1,4 +1,4 @@
 <?xml version="1.0" encoding="UTF-8"?>
 <project version="4">
-  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.7" project-jdk-type="Python SDK" />
+  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.7 (projekt_sztuczna)" project-jdk-type="Python SDK" />
 </project>

Restaurant/Natalia/__init__.py

@@ -25,7 +25,7 @@ def main():
     X = model_tree[feature_cols]
     #separacja danych etykieta
     y = model_tree.number
-    # Target variable
+    
 
     #podział danych na zestaw treningowy i testowy; 70% trening 30% test
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,

Restaurant/main.py

@@ -437,6 +437,41 @@ def predictDigest(dish, client, model):
         messagebox.showinfo("opinia", "Z tym nie będzie tak źle! " + str(data))
         return prediction
 
+def ShowImg(file):
+    zdjęcie = Image.open(file)
+    zdjęcie.show()
+
+def show_predict(dish, client, model):
+    data = []
+    data.append(client.age)
+    data.append(dish.fatContent)
+    data.append(dish.fiberContent)
+    data.append(client.sex)
+    data.append(dish.spicy)
+    prediction = model.predict([data])
+
+
+    if prediction == 1:
+        ShowImg("Natalia/danie1.png")
+        return prediction
+    elif prediction == 2:
+        ShowImg("Natalia/danie2.png")
+        return prediction
+    elif prediction == 3:
+        ShowImg("Natalia/danie3.png")
+        return prediction
+    elif prediction == 4:
+        ShowImg("Natalia/danie4.png")
+        return prediction
+    elif prediction == 5:
+        ShowImg("Natalia/danie5.png")
+        return prediction
+    elif prediction == 6:
+        ShowImg("Natalia/danie6.png")
+        return prediction
+    else:
+        ShowImg("Natalia/danie7.png")
+        return prediction
 
 
 def evaluate(b):
@@ -564,6 +599,43 @@ def payment(c):
     else:
         pass
 
+def Tree_natalia(d):
+    if d == 1:
+        loaded_model = joblib.load('Natalia/final_model.sav')
+        messagebox.showinfo("Zaczynamy!", "Zaczynamy!")
+
+        prefer1 = Dish("prefer1", 40, 20, 15)
+        prefer2 = Dish("prefer2", 25, 10, 10)
+        prefer3 = Dish("prefer3", 55, 25, 28)
+
+        plate1 = Plate(prefer1, "Natalia/danie1.png")
+        plate2 = Plate(prefer2, "Natalia/danie2.png")
+        plate3 = Plate(prefer3, "Natalia/danie3.png")
+
+        client1 = Client(25, 1, 45, 1)
+        client2 = Client(41, 0, 22, 4)
+        client3 = Client(10, 0, 32, 8)
+
+        client1.takePlateAndEat(plate1)
+        client2.takePlateAndEat(plate2)
+        client3.takePlateAndEat(plate3)
+
+        bot.goByAStar((tables[1].pos[0] + 1, tables[1].pos[1]))
+        opinion = show_predict(prefer1, client1, loaded_model)
+
+        bot.goByAStar((tables[3].pos[0] + 1, tables[3].pos[1]))
+        opinion = show_predict(prefer2, client2, loaded_model)
+
+        bot.goByAStar((tables[5].pos[0] + 1, tables[5].pos[1]))
+        opinion = show_predict(prefer3, client3, loaded_model)
+
+        messagebox.showinfo("Informacja końcowa", "Zakończono trasę.")
+
+        pygame.quit()
+        exit()
+    else:
+        pass
+
 def text_objects(text, font):
     textSurface = font.render(text, True, black)
     return textSurface, textSurface.get_rect()
@@ -741,7 +813,7 @@ def main():
         button("Rozpoznawanie talerzy", 0, width + 1, 150, 48, light_beige, white, classify)
         button("Ciężkostrawność dań", 150, width + 1, 150, 48, light_beige, white, evaluate)
         button("Rozpoznawanie banknotów", 300, width + 1, 150, 48, light_beige, white, payment)
-        button("Polecanie dań", 450, width + 1, 150, 48, light_beige, white) #Natalia tu dopisz swoją funkcję :)
+        button("Polecanie dań", 450, width + 1, 150, 48, light_beige, white, Tree_natalia)
         redrawWindow(window)
 
     pygame.quit()

polecanie_dań_Natalia_Plitta.md

@@ -0,0 +1,131 @@
+##### Raport przygotowała: Natalia Plitta
+
+##### Raportowany okres: 11 maja - 25 maja 2020 
+
+##### Niniejszy raport poświęcony jest przekazaniu informacji na temat stanu mini-projektu indywidualnego w ramach projektu grupowego realizowanego na przedmiot Sztuczna Inteligencja w roku akademickim 2019/2020. 
+
+Tematem realizowanego projektu indywidualnego jest stworzenie sztucznej inteligencji, która na podstawie podanych parametrów poleca jedno z siedmiu dań. Wykorzystane zostały poniższe biblioteki: 
+
+- scikit - learn
+- joblib
+- IPython
+- pandas
+- pydotplus
+- StringIO
+##Realizacja projektu ##
+
+#### Dane wejściowe: ####
+
+Do utworzenia modelu przygotowałam zestaw danych składający się z 60 krotek, każda składająca się z 6 liczb oznaczających odpowiednio:
+
+- wiek osoby zamawiającej danie (z przedziału 10 do 60);
+- zawartość tłuszczu w daniu (z przedziału 0 do 16);
+- zawartość błonnika w daniu (z przedziału 0 do 16);
+- płeć osoby zamawiającej (0 - mężczyzna lub 1 - kobieta);
+- wskazanie czy danie jest ostre czy nie (0 - nieostre lub 1 - ostre);
+- wskazanie czy danie jest ciężkostrawne czy nie (0 - nie lub 1 - tak);
+
+Liczby oddzielone są przecinkami i zapisane w pliku z rozszerzeniem .csv.
+
+#### Proces uczenia: ####
+
+Na początku dane są importowane do programu:
+
+```python
+def dataImport():    
+    dataset = pd.read_csv('learnData4.csv', sep=',', header=None) 
+    return dataset
+```
+
+Następnie dane są dzielone odpowiednio na zestaw cech (*X*) i zestaw klas - "wyników" (*Y*). Zbiory te są jeszcze, przy pomocy funkcji **train_test_split** (z biblioteki scikit - learn) dodatkowo dzielone na zestawy do uczenia i zestawy do testowania (*x_train*, *x_test*, *y_train*, *y_test*):
+
+```python
+def splitDataSet(dataset):    
+	X = dataset.values[:, 0:5]    
+	Y = dataset.values[:, 5] 
+	x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, 		random_state=100)    
+	return X, Y, x_train, x_test, y_train, y_test
+```
+
+Zbiór danych testowych składa się z 0.3 krotek zestawu początkowego.
+
+Korzystając z funkcji **DecisionTreeClassifier** utworzony zostaje model w postaci drzewa, do którego następnie zostają załadowane uprzednio przygotowane zbiory danych:
+
+```python
+model = tree.DecisionTreeClassifier()
+model2 = tree.DecisionTreeClassifier(criterion="entropy")
+
+model.fit(x_train, y_train)
+model2.fit(x_train, y_train)
+```
+
+Funkcja **DecisionTreeClassifier** domyślnie wykorzystuje indeks Gini jako kryterium podziału. Ja jednakże, wygenerowałam dodatkowo model, gdzie jako kryterium podziału została przyjęta entropia.
+
+Następnie modele zostają poddane testowi i obliczony zostaje wskaźnik trafności wygenerowanych, na zbiorze testowym, wyników:
+
+```python
+pred = model.predict(x_test)
+pred2 = model2.predict(x_test)
+
+acc = accuracy_score(y_test, pred) * 100
+acc2 = accuracy_score(y_test, pred2) * 100
+
+print("akuratnosc dla modelu Gini: " + str(acc))  # aprox. 77.78%
+print("akuratnosc dla modelu Entropy: " + str(acc2))  # aprox. 83.33%
+```
+
+#### Operacje na wygenerowanym modelu: ####
+
+W tym przypadku, model z entropią daje nam większą trafność. Zatem to on zostanie wykorzystany w głównym programie. Model drzewa zostaje zapisany w pliku .sav:
+
+```python
+filename = 'finalized_model.sav'
+joblib.dump(model2, filename)
+```
+
+Dodatkowo zostaje wygenerowane (przy pomocy biblioteki Graphviz i IPython) graficzne przedstawienie drzewa i zapisane w pliku .png:
+
+```python
+dot_data2 = tree.export_graphviz(model2, out_file=None,                                			feature_names=["age", "fat", "fiber", "sex", "spicy"],                         class_names=["easty to digest", "hard to digest"],                             filled=True, rounded=True,                                					special_characters=True)
+
+graph2 pydotplus.graph_from_dot_data(dot_data2)
+Image(graph2.create_png())
+graph2.write_png("digest_entropy.png")
+```
+
+<img src="https://git.wmi.amu.edu.pl/s444412/DSZI_2020_Projekt/raw/master/Restaurant/Marta/digest_entropy.png" >
+
+
+
+## Integracja z projektem ##
+
+Po uruchomieniu programu i wybraniu na ekranie głównym opcji *Ciężkostrawność dań*, uruchomiona zostaje funkcja *Evaluate()*, która ładuje z pliku model drzewa. Zainicjowany zostaje również przykładowy stan restauracji (dodanie kilku klientów, przypisanie im stołów i talerzy). Wywoływany jest też przykładowy ruch kelnera, który podchodzi do kilku stolików i pomaga w ocenie strawności dania, przy pomocy funkcji *predictDigest()*:
+
+```python
+def predictDigest(dish, client, model):    
+    data = []    
+    data.append(client.age)    
+    data.append(dish.fatContent)    
+    data.append(dish.fiberContent)    
+    data.append(client.sex)    
+    data.append(dish.spicy)    
+    prediction = model.predict([data])        
+    if prediction == 1:        
+        messagebox.showinfo("opinia", "Z tym może być ciężko. " + str(data))
+        return prediction    
+    else:        
+        messagebox.showinfo("opinia", "Z tym nie będzie tak źle! " + str(data))
+        return prediction
+```
+
+Funkcja jako parametry przyjmuje obiekty danie, klient i załadowany model. Parametry potrzebne modelowi do wyznaczenia wyniku pobierane są z odpowiednich obiektów i jako tablica przekazywane do funkcji *predict()*. Następnie, w zależności od otrzymanego wyniku wyświetlany jest odpowiedni komunikat i dane jakie podlegały ocenie. 
+
+Pola *fatContent*, *fiberContent*, *spicy*  klasy *Dish* w momencie tworzenia instancji klasy są ustawiane na losowo wygenerowaną liczbę z odpowiednich przedziałów:
+
+```python
+self.fatContent = random.randint(0, 16)
+self.fiberContent = random.randint(0, 16)
+self.spicy = random.randint(0, 1)
+```
+
+Po zakończeniu trasy wyświetlany jest stosowny komunikat, a aplikacja zostaje wyłączona.