forked from s444399/AI
111 lines
5.2 KiB
Markdown
111 lines
5.2 KiB
Markdown
### 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. |