134 lines
5.1 KiB
Markdown
134 lines
5.1 KiB
Markdown
# Wojciech Lukasik - drzewa decyzyjne, algorytm CART
|
|
|
|
### Opis podprojektu
|
|
Podprojekt implementuje tworzenie drzewa decyzyjnego w oparciu o algorytm CART
|
|
(Classification And Regression Tree), które pomaga Agentowi w rozpoznaniu słodyczy na podstawie
|
|
ich cech fizycznych (kolor, kształt, masa, rozmiar).
|
|
|
|
Wszystkie funkcje oraz klasy wykorzystywane w tym podprojekcie znajdują się w pliku decision_tree.py,
|
|
dane uczące znajdują się w pliku data.py w liście learning_data
|
|
|
|
### Tworzenie drzewa decyzyjnego
|
|
|
|
Główną funkcją jest
|
|
|
|
`build_tree(rows)` która jak wskazuje nazwa tworzy drzewo.
|
|
|
|
Funkcja przyjmuje jako argument listę zawierającą zestaw danych, w tym przypadku będą to słodycze o różnych właściwościach.
|
|
|
|
```python
|
|
def build_tree(rows):
|
|
gain, question = find_best_split(rows)
|
|
|
|
if gain == 0:
|
|
return Leaf(rows)
|
|
|
|
true_rows, false_rows = partition(rows, question)
|
|
|
|
true_branch = build_tree(true_rows)
|
|
|
|
false_branch = build_tree(false_rows)
|
|
|
|
return DecisionNode(question, true_branch, false_branch)
|
|
```
|
|
|
|
Drzewo jest budowane w oparciu o najlepsze możlwe podziały (najbardziej korzystne 'pytanie', które można zadać).
|
|
Zajmuje się tym funkcja
|
|
|
|
`find_best_split(rows)` która dla wszystkich właściwości przekazanego zestawu informacji
|
|
wylicza dla nich 'zysk informacji'.
|
|
|
|
Jeżeli nie otrzymujemy żadnych informacji (gain == 0) to znaczy, że znajdujemy
|
|
się w liściu drzewa.
|
|
|
|
```python
|
|
def find_best_split(rows):
|
|
""" znajdź najlepsze możliwe pytanie do zadania, sprawdzając wszystkie
|
|
właściwośći oraz licząc dla nich 'info_gain' """
|
|
best_gain = 0
|
|
best_question = None
|
|
current_uncertainty = gini(rows)
|
|
n_features = len(rows[0]) - 1
|
|
|
|
for col in range(n_features):
|
|
values = set([row[col] for row in rows])
|
|
|
|
for val in values:
|
|
question = Question(col, val)
|
|
|
|
true_rows, false_rows = partition(rows, question)
|
|
|
|
if len(true_rows) == 0 or len(false_rows) == 0:
|
|
continue
|
|
|
|
gain = info_gain(true_rows, false_rows, current_uncertainty)
|
|
|
|
if gain > best_gain:
|
|
best_gain, best_question = gain, question
|
|
|
|
return best_gain, best_question
|
|
```
|
|
|
|
Zysk informacji z danego podziału otrzymujemy obliczając wartość 'Gini Impurity'. Jest to miara tego jak często losowo
|
|
wybrany element zbioru byłby źle skategoryzowany, gdyby przypisać mu losową kategorię spośród wszystkich kategorii
|
|
znajdujących się w danym zbiorze.
|
|
|
|
```python
|
|
def gini(rows):
|
|
counts = class_counts(rows)
|
|
impurity = 1
|
|
for lbl in counts:
|
|
prob_of_lbl = counts[lbl] / float(len(rows))
|
|
impurity -= prob_of_lbl ** 2
|
|
return impurity
|
|
```
|
|
`class_counts(rows)` to funkcja, która dla danego zestawu danych zwraca wszystkie unikalne 'kategorie' oraz liczbę ich wystąpień.
|
|
|
|
Dla przykładu, w zestawie w którym wszystkie elementy podchodzą pod tę samą kategorię wartość Gini Impurity będzie równa zero, natomiast w zbiorze w którym znajdują się dwie kategorie wartość ta wyniesie 0,5. Im więcej różnych kategorii tym bardziej wartość Gini Impurity będzie zbliżała się do 1.
|
|
|
|
Po znalezieniu najbardziej optymalnego pytania, algorytm dzieli zestaw na elementy, dla których pytanie jest prawdziwe
|
|
(true_rows), oraz te dla których jest fałszywe (false_rows). Następnie wykonuje rekurencyjnie procedurę `build_tree` dla obu poddrzew tak długo aż nie dojdzie do liści.
|
|
|
|
Element o zadanym zestawie cech, zostaje odnaleziony w drzewie dzięki prostej procedurze
|
|
|
|
`classify(row, node)` 'row' to lista cech elementu, natomiast 'node' na początu jest korzeniem już zbudowanego drzewa.
|
|
|
|
Element jest odnaleziony dzięki
|
|
rekurencyjnym porównaniom atrybutów elementu z pytaniami w kolejnych węzłach drzewa.
|
|
|
|
```python
|
|
def classify(row, node):
|
|
if isinstance(node, Leaf):
|
|
return node.predicions
|
|
|
|
if node.question.match(row):
|
|
return classify(row, node.true_branch)
|
|
else:
|
|
return classify(row, node.false_branch)
|
|
```
|
|
|
|
### Zestaw uczący
|
|
|
|
Zestaw budujący drzewo to lista zawierająca 27 przykładowych słodyczy. Ich atrybuty zapisane są w formacie ['kolor',
|
|
'kształt', 'masa', 'wielkość', 'nazwa']. Oczywiście przy wyszukiwaniu elementu w drzewie jego nazwa nie jest potrzebna
|
|
ponieważ to jej szukamy. Przykładowe elementy z zestawu uczącego:
|
|
|
|
```python
|
|
['black', 'rectangle', 51, 'small', 'Mars'],
|
|
['gold', 'pack', 100, 'big', 'Haribo'],
|
|
['purple', 'rectangle', 100, 'big', 'Milka'],
|
|
['brown', 'pack', 45, 'small', 'M&M'],
|
|
```
|
|
|
|
### Implementacja w projekcie
|
|
|
|
Przy rozpoczęciu głównej pętli programu w pliku `main.py` drzewo `my_tree` zostaje zbudowane w oparciu o dane
|
|
`data.learning_data`.
|
|
|
|
Gdy program już działa, po wciśnięciu `spacji` jeden ze słodyczy zostanie losowo wybrany z zestawu `data.learning_data`
|
|
oraz umieszczony na polu `board[9][0]`, a jego nazwa zostanie wypisana w konsoli. Następnie Agent przemieszcza się do
|
|
punktu `board[9][0]` i rozpoczne procedurę wyszukiwania elementu w zbudowanym drzewie. Na końcu wypisze w
|
|
konsoli nazwę produktu.
|
|
|
|
|