SI_Traktor/Justyna.py

191 lines
5.9 KiB
Python

import pandas as pd
import numpy as np
from pprint import pprint
import dataset
import random
# obliczenie entropii dla wskazanej kolumny
def entropy(attribute):
values, counts = np.unique(attribute, return_counts=True)
entropy = np.sum(
[(-counts[i] / np.sum(counts)) * np.log2(counts[i] / np.sum(counts)) for i in range(len(values))])
return entropy
#obliczanie wartości przyrostu informacji
def info_gain(data, split_attribute, target):
# Wartość entropii zbioru
_entropy = entropy(data[target])
# Wyodrębnienie poszczególnych podzbiorów
vals, counts = np.unique(data[split_attribute], return_counts=True)
# Średnia ważona entropii każdego podzbioru
weighted_entropy = np.sum(
[(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute] == vals[i]).dropna()[target])
for i in range(len(vals))])
# Przyrost informacji
information_gain = _entropy - weighted_entropy
return information_gain
def ID3(data, original_data, attributes, target, parent_node_class=None):
# Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
if len(np.unique(data[target])) <= 1:
return np.unique(data[target])[0]
elif len(data) == 0:
return np.unique(original_data[target])[
np.argmax(np.unique(original_data[target], return_counts=True)[1])]
elif len(attributes) == 0:
return parent_node_class
else:
# nadrzędna wartość
parent_node_class = np.unique(data[target])[
np.argmax(np.unique(data[target], return_counts=True)[1])]
# obliczenie przyrostu informacji dla każdego atrybutu
item_values = [info_gain(data, i, target) for i in
attributes]
# Wybór najlepszego atrybutu
best_attribute_index = np.argmax(item_values)
best_attribute = attributes[best_attribute_index]
# Struktura drzewa
tree = {best_attribute: {}}
# Aktualizacja zbioru atrybutów
attributes = [i for i in attributes if i != best_attribute]
# Budowa poddrzewa dla każdej wartości wybranego atrybutu
for value in np.unique(data[best_attribute]):
sub_data = data.where(data[best_attribute] == value).dropna()
subtree = ID3(sub_data, data, attributes, target, parent_node_class)
tree[best_attribute][value] = subtree
return (tree)
#tesownie drzewa
def test(data, tree):
queries = data.iloc[:, :-1].to_dict(orient="records")
predicted = pd.DataFrame(columns=["predicted"])
for i in range(len(data)):
predicted.loc[i, "predicted"] = search(queries[i], tree, 'nie')
print('Precyzja przewidywań: ', (np.sum(predicted["predicted"] == data['czy_chce_pracowac']) / len(data)) * 100, '%')
#dostowanie danych (lista na słownik) i wywolanie na nich funkcji serach
def data_to_dict(data, tree):
queries = pd.DataFrame(data=data, columns=dataset.header)
predicted = pd.DataFrame(columns=["predicted"])
dict = queries.iloc[:, :-1].to_dict(orient="records")
for i in range(len(data)):
predicted.loc[i, "predicted"] = search(dict[i], tree, 'nie')
predicted_list = predicted.values.tolist()
return predicted_list[0][0]
#przeszukwianie drzewa
def search(query, tree, default='nie'):
for key in list(query.keys()):
if key in list(tree.keys()):
try:
result = tree[key][query[key]]
except:
return default
result = tree[key][query[key]]
if isinstance(result, dict):
return search(query, result)
else:
return result
class main():
def __init__(self,traktor,field,ui,path):
self.traktor = traktor
self.field = field
self.ui = ui
self.path = path
self.result = 0
def main(self):
training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header)
testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header)
# Utworzenie drzewa
tree = ID3(training_data, training_data, training_data.columns[:-1], 'czy_chce_pracowac')
pprint(tree)
# Testowanie drzewa
#print(test(testing_data, tree))
# Uzyskanie danych od agenta
ocena_burakow = self.ocen_ile_burakow()
ocena_chwastow = self.ocen_ile_chwastow()
pogoda = self.field.get_pogoda_name()
print('chwasty: ' + ocena_chwastow)
print('buraki: ' + ocena_burakow)
print('pogoda: ' + pogoda)
data = [[pogoda, ocena_chwastow, ocena_burakow, '']]
#podjecie decyzji
self.result = data_to_dict(data, tree)
print('czy placa sie pracowac: ' + self.result)
def get_result(self):
return self.result
def licz_chwasty_buraki(self):
chwasty = 0
buraki = 0
for i in self.field.field_matrix:
for j in i:
if(j==8):
buraki = buraki + 1
elif(j%2==1):
chwasty = chwasty + 1
return chwasty, buraki
def ocen_ile_burakow(self):
chwasty, buraki = self.licz_chwasty_buraki()
if buraki < 5:
return 'bardzo_malo'
elif buraki >= 5 and buraki<10:
return 'malo'
elif buraki >=10 and buraki<15:
return 'srednio'
elif buraki >=15 and buraki<20:
return 'duzo'
elif buraki >=20:
return 'bardzo_duzo'
def ocen_ile_chwastow(self):
chwasty, buraki = self.licz_chwasty_buraki()
if chwasty < 40:
return 'bardzo_malo'
elif chwasty >= 40 and chwasty<42:
return 'malo'
elif chwasty >=42 and chwasty<45:
return 'srednio'
elif chwasty >=45 and chwasty<48:
return 'duzo'
elif chwasty >=48:
return 'bardzo_duzo'