Zaktualizuj 'decisiontree.md'
This commit is contained in:
parent
bbc9b3fc34
commit
905a2d9c1e
115
decisiontree.md
115
decisiontree.md
@ -2,77 +2,37 @@
|
||||
|
||||
**Członkowie zespołu:** Marcin Kwapisz, Kamila Matysiak, Piotr Rychlicki, Justyna Zarzycka
|
||||
|
||||
**Temat podprojektu:** Wybór trybu pracy traktora za pomocą drzewa decyzyjnego
|
||||
|
||||
**Autor podprojektu:** Kamila Matysiak
|
||||
|
||||
|
||||
### Drzewo Decyzyjne
|
||||
|
||||
Projekt wykorzystuje drzewo decyzyjne do wybrania najoptymalniejszego trybu. Uruchamia się go za pomocą klawisza **F6**.
|
||||
Projekt wykorzystuje drzewo decyzyjne do wybrania czynności dla każdego pola, a następnie wysłania traktora do pól zgodnych z obecnie wybranym trybem.
|
||||
|
||||
#### Przygotowanie Danych:
|
||||
Projekt używa metody CART (Classification and Regression Tree). Tworzy on drzewo binarne, w którym rozpatruje wszystkie możliwe podziały zbioru wartości cech na dwa rozłączne i uzupełniające się podzbiory dla cech dyskretnych.
|
||||
|
||||
Za przygotowanie danych odpowiedzialne są dwie funkcje:
|
||||
**find_best_action**, która pobiera macierz pól, tworzy macierz czynności do wykonania, a następnie buduje drzewo.
|
||||
Uruchamia się go za pomocą klawisza **F6**.
|
||||
|
||||
#### Zbiór uczący:
|
||||
|
||||
Zbiorem uczącym jest zestaw danych informujących drzewo jak postępować z polem o danych parametrach.
|
||||
Kolejne cyfry odpowiadają za: nawodnienie pola, obecność chwastów, czy pole jest puste, czy jest do zbioru.
|
||||
|
||||
```
|
||||
def find_best_action(self):
|
||||
testing_data = []
|
||||
matrix = self.field.get_matrix() # pobranie macierzy pól
|
||||
matrix_todo = []
|
||||
for i in range(10):
|
||||
matrix_todo.append([])
|
||||
verse = matrix[i]
|
||||
for j in range(len(verse)):
|
||||
coord = (i, j)
|
||||
current_field = check(verse[j]) # czynnosci ktore trzeba jeszcze zrobic na kazdym polu
|
||||
matrix_todo[i].append([])
|
||||
for action in current_field:
|
||||
matrix_todo[i][j].append(action[-1])
|
||||
testing_data.extend(current_field)
|
||||
if len(testing_data) > 0:
|
||||
x = build_tree(testing_data) # zbudowanie drzewa
|
||||
print_tree(x)
|
||||
if isinstance(x, Leaf): # wybór najlepszej czynności do wykonania
|
||||
self.best_action = self.find_remaining_action(matrix_todo)
|
||||
return
|
||||
self.best_action = x.question.column
|
||||
print(header[x.question.column])
|
||||
print(x.question.value)
|
||||
else:
|
||||
self.best_action = self.find_remaining_action(matrix_todo)
|
||||
return
|
||||
|
||||
```
|
||||
Drugą funkcją jest **check**, która interpretuje pola z macierzy na podstawie numerów, dodając stringa z czynnością do wykonania na danym polu.
|
||||
|
||||
```
|
||||
def check(field):
|
||||
if field == 0:
|
||||
return [[0, 0, 1, 0, "Zasadzic"], [0, 0, 1, 0, "Podlac"]]
|
||||
elif field == 1:
|
||||
return [[0, 1, 1, 0, "Odchwascic"], [0, 1, 1, 0, "Podlac"], [0, 1, 1, 0, "Zasadzic"]]
|
||||
elif field == 2:
|
||||
return [[0, 0, 0, 0, "Podlac"]]
|
||||
elif field == 3:
|
||||
return [[0, 1, 0, 0, "Odchwascic"], [0, 1, 0, 0, "Podlac"]]
|
||||
elif field == 4:
|
||||
return [[1, 0, 1, 0, "Zasadzic"]]
|
||||
elif field == 5:
|
||||
return [[1, 1, 1, 0, "Odchwascic"], [1, 1, 1, 0, "Zasadzic"]]
|
||||
elif field == 6:
|
||||
return []
|
||||
elif field == 7:
|
||||
return [[1, 1, 0, 0, "Odchwascic"]]
|
||||
elif field == 8:
|
||||
return [[0, 0, 0, 1, "Zebrac"], [0, 0, 0, 1, "Potem podlac"], [0, 0, 0, 1, "Potem zasadzic"]]
|
||||
else:
|
||||
print("Błąd: Zły numer pola.")
|
||||
|
||||
training_data = [[0, 0, 1, 0, "Zasadzic"],
|
||||
[0, 1, 1, 0, "Odchwascic"],
|
||||
[0, 0, 0, 0, "Podlac"],
|
||||
[0, 1, 0, 0, "Odchwascic"],
|
||||
[1, 0, 1, 0, "Zasadzic"],
|
||||
[1, 1, 1, 0, "Odchwascic"],
|
||||
[1, 0, 0, 0, "Czekac"],
|
||||
[1, 1, 0, 0, "Odchwascic"],
|
||||
[0, 0, 0, 1, "Zebrac"]]
|
||||
self.tree = build_tree(training_data)
|
||||
print_tree(self.tree)
|
||||
```
|
||||
|
||||
#### Budowanie Drzewa:
|
||||
#### Algotytm tworzenia drzewa:
|
||||
|
||||
Budowanie drzewa zaczynamy od stworzenia klasy **Question**, w której będziemy tworzyć zapytanie, na podstawie którego będziemy dzielić nasze dane. Następnie tworzymy funkcję **partition**, która na podstawie zapytania dzieli nam dane na spełnione i niespełnione wiersze:
|
||||
|
||||
@ -88,9 +48,9 @@ def partition(rows, question):
|
||||
return true_rows, false_rows
|
||||
```
|
||||
|
||||
Następnie wyokrzystujemy **Index Gini** i **Info Gain**.
|
||||
Index Gini mierzy jak często losowo wybrany element będzie źle zindentyfikowany.
|
||||
Information gain mierzy zmianę entropii, która powstaje na skutek podziału zestawu danych testowych na mniejsze części.
|
||||
Następnie wyokrzystujemy **Index Gini**, który mierzy jak często losowo wybrany element będzie źle zindentyfikowany. Gdy jest równy 0, oznacza to, że element zostanie właściwie oznaczony.
|
||||
|
||||
|
||||
|
||||
```
|
||||
# funkcja implementująca indeks gini
|
||||
@ -102,7 +62,6 @@ def gini(rows):
|
||||
impurity -= prob_of_lbl ** 2
|
||||
return impurity
|
||||
|
||||
#information gain
|
||||
def info_gain(left, right, current_uncertainty):
|
||||
p = float(len(left)) / (len(left) + len(right))
|
||||
return current_uncertainty - p * gini(left) - (1 - p) * gini(right)
|
||||
@ -148,22 +107,20 @@ def build_tree(rows):
|
||||
|
||||
#### Integracja:
|
||||
|
||||
Gdy za pomocą funkcji **find_best_action** zostanie wybrana najbardziej opłacalna czynność wykorzystujemy algorytm A* zaimplementowany w pliku **pathfinding.py**. Ustawiamy tryb traktora i w pętli każemy znajdować mu pola.
|
||||
Program sczytuje dane z głównego projektu, następnie interpretuje je za pomocą prostej funkcji **translate**, która zwraca informacje o stanie pola. Następnie za pomocą drzewa określamy czynność, jaka powinna zostać wykonana na tym polu. Wykonanie pracy zlecamy klasie **pathfinding**, która za pomocą algorytmu A* wysyła traktor na pola odpowiadające wybranemu trybowi.
|
||||
|
||||
```
|
||||
def do_best_action(self):
|
||||
self.traktor.set_mode(self.best_action)
|
||||
while self.path.pathfinding(self.traktor, self.field, self.ui) != 0:
|
||||
pass
|
||||
def search_field(self):
|
||||
matrix = self.field.get_matrix()
|
||||
for i in range(len(matrix)):
|
||||
for j in range(len(matrix[i])):
|
||||
print("Pole (%d,%d) Przewidziania czynnosc: %s"
|
||||
% (i, j, print_leaf(classify(translate(matrix[i][j]), self.tree))))
|
||||
if work[self.traktor.get_mode()] in self.work_field(classify(translate(matrix[i][j]), self.tree)):
|
||||
print("Zgodna z aktualnym trybem, czynnosc wykonywana")
|
||||
self.path.find_path(self.traktor, self.field, self.ui, [j, i])
|
||||
self.ui.update()
|
||||
time.sleep(0.5)
|
||||
```
|
||||
Kiedy zostanie już tylko jedna czynność do wykonania przypisujemy jej **find_remaining_action**, dzięki czemu nasze pole zostanie w pełni oprawione.
|
||||
|
||||
```
|
||||
def find_remaining_action(self, matrix_todo):
|
||||
for row in matrix_todo:
|
||||
for field in row:
|
||||
for action in field:
|
||||
print(action)
|
||||
return work.index(action)
|
||||
return -1
|
||||
```
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user