Dodaj 'WGoracy.md'

WGoracy.md

@@ -0,0 +1,111 @@
+### Podprojekt indywidualny - Weronika Gorący
+
+## Wykorzystane metody uczenia
+
+Do realizacji podprojektu wykorzystano drzewa decyzyjne do decydowania, na które regały należy umieścić paczkę na podstawie jej cech. Do implementacji drzew decyzyjnych w Pythonie wykorzystane zostały biblioteki sklearn i pandas.
+
+## Omówienie kodu
+
+Kod podprojektu znajduje się w klasie whereDecision w pliku whereDecision.py. Wywołanie metody recognize odbywa się w klasie program w pliku program.py.
+
+```
+whatIsIt = self.neurons.whatIsIt(easygui.fileopenbox("Wybierz zdjęcie paczki", "Wybierz zdjęcie paczki", filetypes = [["*.jpg", "*.jpeg", "*.png", "Pliki graficzne"]]))
+where = self.whereDecision.recognize(whatIsIt, self.regalsik())
+```
+
+Do zmiennej whatIsIt zostaje zapisany typ otrzymanej paczki, który został rozpoznany dzięki innemu podprojektowi, następnie wywoływana jest metoda recognize z parametrami whatIsIt i self.regalsik().
+
+Do tablicy regals zapisywane są dane wszystkich regałów wygenerowanych na planszy.
+
+```
+self.regals.append((i, j, (self.map[i][j]-3)//4))
+```
+
+regalsik() sprawdza czy regał z tablicy regals jest pusty i umieszcza go w tablicy wyjściowej, która ostatecznie jest tablicą krotek zawierajacych informacje o wszystkich pustych regałach na planszy. Każda krotka zawiera informacje o współrzędnej Y i X regału oraz typ paczki jaki może być na niej przechowywany.
+
+```
+    def regalsik(self):
+        tmp = []
+        for regal in self.regals:
+            if self.map[regal[0]][regal[1]].isOccupied()==False:
+                tmp.append(regal)
+        return tmp
+```
+
+## Uczenie modelu
+
+Metoda recognize rozpoczyna od utworzenia zbioru uczącego na podstawie tabeli zawierającej informacje o pustych półkach na planszy. Dla każdego regału sprawdzany jest typ paczki, który może być na niej przechowywany, a następnie jest on dodawany do odpowiedniej kolumny. Tablica lokacja zawiera położenia wszystkich regałów na planszy.
+
+```
+    def recognize(self, recognize, regals):
+        zwykle = []
+        kruche = []
+        latwopalne = []
+        radioaktywne = []
+        niebezpieczne = []
+        lokacja = []
+        for regal in regals:
+            if (regal[2] == 1):
+                zwykle.append(0)
+                kruche.append(1)
+                latwopalne.append(0)
+                radioaktywne.append(0)
+                niebezpieczne.append(0)
+                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
+            elif (regal[2] == 2):
+                zwykle.append(0)
+                kruche.append(0)
+                latwopalne.append(1)
+                radioaktywne.append(0)
+                niebezpieczne.append(0)
+                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
+            elif (regal[2] == 3):
+                zwykle.append(0)
+                kruche.append(0)
+                latwopalne.append(0)
+                radioaktywne.append(1)
+                niebezpieczne.append(0)
+                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
+            elif (regal[2] == 4):
+                zwykle.append(0)
+                kruche.append(0)
+                latwopalne.append(0)
+                radioaktywne.append(0)
+                niebezpieczne.append(1)
+                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
+            else:
+                zwykle.append(1)
+                kruche.append(0)
+                latwopalne.append(0)
+                radioaktywne.append(0)
+                niebezpieczne.append(0)
+                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
+```
+
+Jeżeli wszystkie półki są zajęte, wózek zatrzyma się w swojej wyjściowej pozycji.
+
+```
+        if len(zwykle) == 0:
+            return [1, 2]
+```
+
+Do zmiennej z zapisywany jest nasz zbiór uczący, zaś do zmiennej y zapisujemy tabelę prenumeratorzy typu DataFrame z biblioteki pandas, która zawiera dane lokalizacji.
+
+```
+        z = list(zip(zwykle, kruche, latwopalne, radioaktywne, niebezpieczne))
+        prenumeratorzy = pd.DataFrame({"lokacja": lokacja})
+        prenumeratorzy["lokacja"], lokacja_kody = pd.factorize(prenumeratorzy["lokacja"])
+        y = prenumeratorzy["lokacja"]
+```
+
+## Implementacja
+
+Do zmiennej drzewko zapisujemy drzewo decyzyjne z biblioteki sklearn utworzone za pomocą metody DecisionTreeClassifier z parametrem criterion ustawionym na "entropy", które pozwala na uzyskiwanie informacji. Na drzewie wywołujemy metodę fit, która dopasowuje do drzewa zbiór uczący zadany w tablicach z i y.Po dopasowaniu danych możemy przewidzieć przynależność nowych przykładów, co robimy wywołując na drzewie metodę predict z parametrem uzyskanym na samym początku, który zawiera informację o rodzaju otrzymanej paczki. W ostateczności zwracamy kod lokalizacji na której zostanie umieszczona paczka.
+
+```
+        drzewko = DecisionTreeClassifier(criterion="entropy")
+        drzewko.fit(X=z, y=y)
+        return list(make_tuple(lokacja_kody[drzewko.predict(recognize)][0]))
+```
+
+Lokalizacja, którą zwróciła metoda recognize zapisywana jest do zmiennej where (klasa program) i na tej podstawie wózek z pomocą algorytmu AStar wybiera odpowiednią ścieżkę do umieszczenia paczki.