DSZI_2020_Projekt/polecanie_dań_Natalia_Plitta.md

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 ##

  col_names = ['age', 'sex', 'fat', 'fiber', 'spicy', 'number'] model_tree = pd.read_csv("Nowy.csv", header=None, names=col_names) model_tree.head() feature_cols = ['age', 'sex', 'fat', 'fiber', 'spicy'] 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:

Aby utworzyć model utworzyłam 121 wierszy z 6 kolejnych liczb oznaczających:

• wiek klienta (7 - 80);
• zawartość tłuszczu w daniu (0 - 16);
• zawartość błonnika w daniu (0 - 16);
• płeć osoby zamawiającej (0 - kobieta lub 1 - mężczyzna);
• ostrość dania (0 - 5);
• polecane danie o danym numerze:
  1. zupa z soczewicy
  2. frytki pieczone
  3. makaron z sosem brokułowym
  4. pikantne skrzydełka zasmażane
  5. ostre zasmażane tofu
  6. hiszpańska zapiekanka ziemniaczana
  7. pieczone warzywa

Poszczególne liczby są oddzielone przecinkami, a wiersze znakiem nowej linii, plik z rozszerzeniem .csv.

Proces uczenia:

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".

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.

   clf = DecisionTreeClassifier()
   clf = DecisionTreeClassifier(criterion="entropy")

Do modelu drzewa zostały wczytane dane, dzięki funkcji fit.

   clf = clf.fit(X_train, y_train)

Generowane przewidywania są agregowane w zmiennej y_pred, dzięki funckji predict.

   y_pred = clf.predict(X_test)

Następnie wyświetlana jest akuratność dla modelu danych o wybranym kryterium, dzięki funkcji accuracy_score.

print("Accuracy:", metrics.accuracy_score(y_test, y_pred))

Drzewo decyzyjne ma swoją reprezentację graficzną, która utworzona została dzięki bibliotece IPython, graphviz, StringIO.

    dot_data = StringIO()
    export_graphviz(clf, out_file=dot_data,
                    filled=True, rounded=True,
                    special_characters=True, feature_names=feature_cols,
                    class_names=['1', '2', '3', '4', '5', '6', '7'])
    graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
    graph.write_png('polecanie_1.png')
    Image(graph.create_png())

Na końcu model (z większym wskaźnikiem trafności) zostaje zapisany do pliku z rozszerzeniem sav.

    file_name = 'final_model.sav'
    joblib.dump(clf, file_name)

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():

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:

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.