commit_natalia3

polecanie_dań_Natalia_Plitta.md

@@ -12,7 +12,10 @@ Tematem realizowanego projektu indywidualnego jest stworzenie sztucznej intelige
 - pandas
 - pydotplus
 - StringIO
+
 ## Realizacja projektu ##
+Na początku dane są pobierane z pliku "Nowy.csv" gdzie zostały przygotowane 121 wiersze o kolumnach z kolejno podanymi nazwami. Następnie model zostal podzielony na cechy i etykietę ['number'], która oznacza polecane danie. 
+
 ```python
     col_names = ['age', 'sex', 'fat', 'fiber', 'spicy', 'number']
     model_tree = pd.read_csv("Nowy.csv", header=None, names=col_names)
@@ -21,8 +24,8 @@ Tematem realizowanego projektu indywidualnego jest stworzenie sztucznej intelige
     X = model_tree[feature_cols]
     y = model_tree.number
 ```
-Na początku dane są pobierane z pliku "Nowy.csv" gdzie zostały przygotowane 121 wiersze o kolumnach z kolejno podanymi nazwami. Następnie model zostal podzielony na cechy i etykietę ['number'], która oznacza polecane danie. 
-##### Dane: #####
+
+#### Dane: ####
 Aby utworzyć model stworzyłam 121 wierszy z 6 kolejnych liczb oznaczających:  
 
 - wiek klienta (7 - 80);
@@ -41,14 +44,13 @@ Aby utworzyć model stworzyłam 121 wierszy z 6 kolejnych liczb oznaczających:
 
 Poszczególne liczby są oddzielone przecinkami, a wiersze znakiem nowej linii, plik z rozszerzeniem .csv.
 
-#### Proces uczenia: ####
+#### Drzewa decyzyjne: ####
 
 Następnie następuje podział danych na zestaw treningowy i testowy. Zestaw treningowy to 70% danych, testowy 30%. X to zestaw cech, Y zestaw wyników - tutaj etykieta "number".
-
+```python
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
                                                         random_state=1)
-
-##### Drzewa decyzyjne: #####
+```
 
 Do stworzenia modelu drzew została wykorzystana funkcja **DecisionTreeClassifier.** Pierwsze drzewo przyjmuje jako kryterium indeks Gini (domyślny), drugie drzewo entropię.
 ```python