From 55b9625189bd018db66270a671bec97335a55bbe Mon Sep 17 00:00:00 2001
From: Marcin Dobrowolski <mdobrowolski.1997@gmail.com>
Date: Wed, 27 May 2020 10:28:47 +0200
Subject: [PATCH] Marcin Dobrowolski - podprojekt

---
 MarcinDobrowolski.md | 112 +++++++++----------------
 path                 | 196 +++++++++++++++++++++----------------------
 2 files changed, 139 insertions(+), 169 deletions(-)

diff --git a/MarcinDobrowolski.md b/MarcinDobrowolski.md
index 95a68ac..8fc3e3f 100644
--- a/MarcinDobrowolski.md
+++ b/MarcinDobrowolski.md
@@ -4,47 +4,36 @@
 **Temat:** Sugerowanie potraw
 **Metoda uczenia:** Decision Tree(CART)
 **Autor:** Marcin Jerzy Dobrowolski
-**Okres trwwania prac:** 29 kwietnia - 27 maja 2020
+**Źródła:** https://github.com/random-forests/tutorials/blob/master/decision_tree.ipynb  
 
 **Link do repozytorium projektu:** https://git.wmi.amu.edu.pl/s444427/Sztuczna_Inteligencja_2020
 
 ## Wstęp
 
-Tematem realizowanego projektu jest stworzenie sztucznej inteligencji, która na podstawie podanych atrybutów stwierdzi jaka potrawa będzie najlepszym wyborem dla gościa restauaracji. Atrybuty odpowiadają na takie pytania jak: 
-
-* czy gość jest wegetarianinem? - {meat, vege}
-* jak bardzo chce się najeść/jak wielka ma być potrawa? - {small, regular, large}
-* ile gotówki może przeznaczyć na ten cel? - {<10;20>, <20;30>, <30;40>, <40;50>, <50;60>}
-* jak jaki jest jego apetyt? - {<10;25>, <25;40>, <40;55>}
-
-Powyższymi atrybutami rządzą pewne zależności. Apetyt gościa ma wpływ na to jaka potrawa będzie dla niego mała, średnia bądź duża.  
-
-Do osiągnięcia celu wykorzystałem metodę drzew decyzyjnych CART oraz następujące biblioteki języka python:
-
-* csv
-* random
-
-## Uczenie modelu
-
-### Zbiór uczący
-
-Do zbudowania drzewa decyzyjnego wykorzystałem spreparowany przez siebie zbiór przykładów atrybutów gości z odpowiadającymi im daniami. Zawarte jest w nim 213 przykładów dotyczących 20 różnych potraw. Całość znajduje się w pliku: [trainingData.csv](src/SubprojectMarcinDobrowolski/Data/trainingData.csv) 
-
-### Moduły
+Projekt rozwiązuje problem zasugerowania dania przez kelnera na podstawie danych reprezentujących preferencje gościa. W tym celu wykorzystałem metodę uczenia drzew decyzyjnych CART, którą zaprogramowałem w czystym języku python. Struktura podprojektu:
 
 * [suggestionDecisionTree.py](src/SubprojectMarcinDobrowolski/suggestionDecisionTree.py) - klasa drzew decyzyjnego
 * [question.py](src/SubprojectMarcinDobrowolski/question.py) - klasa pytania
 * [leaf.py](src/SubprojectMarcinDobrowolski/leaf.py) - klasa liścia
-* [decisionNode.py](src/SubprojectMarcinDobrowolski/decisionNode.py) - klasa wierzchołka 
+* [decisionNode.py](src/SubprojectMarcinDobrowolski/decisionNode.py) - klasa wierzchołka pytającego
 * [utility.py](src/SubprojectMarcinDobrowolski/utility.py) - klasa użytkowa
-* [testData.csv](src/SubprojectMarcinDobrowolski/Data/testData.csv) - zbiór testowy
+* [trainingData.csv](src/SubprojectMarcinDobrowolski/Data/trainingData.csv) - zbiór uczący
+* [testData.csv](src/SubprojectMarcinDobrowolski/Data/testData.csv) - klasa użytkowa
 
 Struktura danych reprezentujących preferencje gościa:
 
     type, size, money, appetite, name
     ['meat', 'small', 31, 55, 'schabowy']
  
-### Opis modułów
+ * type - typ potrawy: wegańska lub z mięsem
+ * appetite - apetyt gościa, świadczy o tym jak duża potrawa spełni jego oczekiwania,  
+ np. duże danie będzie inne dla osób o dużym i małym apetycie
+ * size - rozmiar dania
+ * money - zawartość portfela gościa, czyli na jak dużo może sobie pozwolić
+ * name - etykieta potrawy, dopasowana w taki sposób by spełnić powyższe wymagania
+ 
+
+## Opis modułów
 
 W pliku *utility* znajdują się podręczne funkcje użytkowe wykorzystywane przez pozostałe moduły programu.
 
@@ -97,7 +86,7 @@ Generuje zbiór danych testowych o zadanej wielkości i zapisuje go w pliku o po
             
 Działa na takiej samej zasadzie jak jej poprzedniczka. Z tym wyjątkiem, że generuje pojedynczy przykład.  
   
-Klasa *Question* reprezentuje pytanie, które służy do podziału danych w wierzchołkach decyzyjnych drzewa. Jej atrybuty oznajczają kolejno: etykiete kolumny zbioru danych, indeks wspomnianej kolumny oraz wartość, której dotyczy pytanie.
+Klasa *Question* reprezentuje pytanie, które służy do podziału danych w wierzchołkach decyzyjnych drzewa. Jej atrybuty oznajczają kolejno: etykiete kolumny zbioru danych, indeks wspomnianej kolumny oraz wartość, której dotyczyy pytanie.
 
     class Question:
         def __init__(self, columnLabel, column, value):
@@ -112,7 +101,7 @@ Klasa *Question* reprezentuje pytanie, które służy do podziału danych w wier
             else:
                 return val == self.value
     
-Metoda match wskazuje jak na pytanie odpowiada zadany przykład.  
+Metoda match decyduje jak na pytanie odpowiada zadany przykład.  
   
 Jądro algorytmu znajduje się w klasie *suggestionTree* w pilku *suggestionDecisionTree*. Metoda *readTrainingData* służy do odczytania zbioru uczącego z pliku *trainingData.csv* i zwrócenia przechowywanych w nim danych wraz z ich etykietami. 
 
@@ -193,7 +182,7 @@ Metoda *findBestSplit* znajduje pytanie, które w danej chwili spowoduje jak naj
     
             return bestGain, bestQuestion
 
-Klasa *Leaf* jest reprezentacją liścia drzewa czyli najbardziej zewnętrznego wierzchołka. W atrybucie *predictions* przechowuje oszacowanie etykiet/y, które może przyjąć przykład, który do niego trafi. Metoda *printLeaf* służy do eleganckiego wyświetlania oszacowania.
+Klasa *Leaf* jest reprezentacją liścia drzewa czyli najbardziej zewnętrznego wierzchołka. W atrybucie *predictions* przechowuje oszacowanie etykiet/y, które może przyjąć przykład, który doń trafi. Metoda *printLeaf* służy do eleganckiego wyświetlania oszacowania.
 
     class Leaf:
         def __init__(self, rows):
@@ -261,52 +250,33 @@ Metoda *printTree* wyświetla strukturę drzewa w postaci tekstu w wierszu polec
 
 Metoda *classify* przyporządkowuje danemu przykładowi odpowiadającą mu etykiete w drzewie.
 
-### Działanie
+## Działanie
 
-Drzewo jest budowane na podstawie zbioru uczącego. Algorytm podejmuje decyzje o tym jak podzielić zbiór na podstawie przyrostu informacji wynikającego z potencjalnego podziału. Przerywa działanie gdy przyrost wynosi *0*, co oznacza, że dotarł do liścia drzewa i dalszy podział nie jest możliwy. Kończąc swoje działanie zwraca korzeń klasy *DecisionNode*, który zawiera w atrybutach potomków> Umożliwia to rekurencyjne schodzenie po drzewie, które jest realizowane przez metodę *classify*.
+Drzewo jest budowane na podstawie zbioru uczącego. Algorytm podejmuje decyzje o tym jak podzielić zbiór na podstawie przyrostu informacji wynikającego z potencjalnego podziału. Przerywa działanie gdy przyrost wynosi *0*, co oznacza, że dotarł do liścia drzewa i podział nie jest możliwy. Kończąc swoje działanie zwraca korzeń klasy *DecisionNode*, który zawiera w atrybutach potomków co umożliwia rekurencyjne schodzenie po drzewie.
 
-### Integracja z projektem
-
-Deklaracja oraz inicjalizacja korzenia drzewa:
-
-    suggestionTreeRoot = SuggestionTree.buildTree(trainingData)
-
-W projekcie można sprawdzić działanie podprojektu poprzez wciśnięcie, któregoś z klawiszy: 
-
-* 0 - sprawdzenie poprawności algorytmu na losowo wygenerowanym zbiorze testowym. 
-
-        generateTestData('testData.csv', 100)
-        testData = []
-        with open('src/SubprojectMarcinDobrowolski/Data/testData.csv') as csv_file:
-            csvReader = csv.reader(csv_file, delimiter=',')
-            lineCount = 0
-            for row in csvReader:
-                example = []
-                for column in row:
-                    if column.isdigit():
-                        example.append(int(column))
-                    else:
-                        example.append(column)
-                if lineCount > 0:
-                    testData.append(example)
-                lineCount += 1
-            
-            print('Processed lines: ', lineCount)
-
-        print('Test examples predictions:')
-        for example in testData:
-            print('{} - {}'.format(example, SuggestionTree.classify(
-                example, suggestionTreeRoot).printLeaf()))
+W projekcie można je wykorzystać poprzez wciśnięcie, któregoś z klawiszy:
 
+* 0 - sprawdzenie poprawności algorytmu na losowo wygenerowanym zbiorze testowym. =
 * 1 - sprawdzenie poprawności algorytmu na losowo wygenerowanym przykładzie.
-
-        example = generateTestExample()
-        print('Test example prediction: ')
-        print('{} - {}'.format(example, SuggestionTree.classify(
-            example, suggestionTreeRoot).printLeaf()))
-            
 * 2 - wyświetlenie struktury drzewa
 
-        SuggestionTree.printTree(suggestionTreeRoot)
-        
-Rezultaty zostają wypisane w konsoli.
\ No newline at end of file
+Rezultaty zostają wypisane w konsoli.
+
+```
+module: pygames
+Python: 3.7.7
+```
+
+macOS / Linux
+
+```
+pygames
+python main.py
+```
+
+Windows
+
+```
+pygames
+python main.py
+```
diff --git a/path b/path
index f96b3ee..87e0dee 100644
--- a/path
+++ b/path
@@ -1,101 +1,101 @@
 type,size,money,appetite
-meat,regular,40,46
-meat,regular,38,15
-meat,regular,35,50
-meat,little,42,25
+meat,regular,29,34
+meat,little,38,47
+meat,regular,33,34
+meat,regular,54,29
+meat,regular,47,44
+meat,regular,27,15
+meat,regular,32,13
+meat,little,53,39
+meat,little,40,44
+meat,regular,25,39
+meat,regular,50,52
+meat,regular,29,20
+meat,little,58,31
+meat,regular,36,45
+meat,regular,59,20
+meat,regular,54,48
+meat,regular,25,32
+meat,regular,36,23
+meat,regular,57,29
+meat,little,13,54
+meat,little,43,52
+meat,little,58,24
+meat,little,30,35
+meat,little,24,33
+meat,regular,24,30
+meat,regular,41,48
+meat,regular,35,37
+meat,little,36,11
+meat,regular,22,24
+meat,regular,58,14
+meat,little,34,29
+meat,little,30,38
+meat,regular,54,45
+meat,regular,31,43
+meat,little,58,46
+meat,little,48,38
+meat,regular,44,44
+meat,regular,51,49
+meat,little,53,34
+meat,regular,51,48
+meat,regular,46,35
+meat,little,32,22
+meat,little,14,37
+meat,little,14,37
+meat,little,46,13
+meat,regular,40,16
+meat,regular,40,49
 meat,little,47,40
-meat,little,56,48
-meat,little,53,11
-meat,regular,45,25
-meat,little,17,34
-meat,regular,39,41
-meat,little,31,30
-meat,little,14,14
-meat,regular,38,38
-meat,regular,51,28
-meat,little,58,22
-meat,little,35,17
-meat,regular,47,36
-meat,little,55,20
-meat,regular,36,10
-meat,regular,53,22
+meat,regular,23,33
+meat,regular,27,29
+meat,regular,49,32
+meat,regular,36,15
+meat,regular,59,25
+meat,little,17,43
+meat,regular,39,49
+meat,little,35,33
+meat,little,10,32
+meat,little,11,49
+meat,regular,53,15
+meat,regular,29,13
+meat,little,12,14
+meat,little,27,31
+meat,regular,31,21
+meat,regular,58,13
+meat,little,46,19
+meat,little,11,27
+meat,regular,44,28
+meat,regular,40,14
+meat,little,57,24
+meat,regular,38,52
+meat,little,37,31
+meat,regular,34,15
+meat,little,41,25
+meat,regular,30,22
+meat,little,58,15
+meat,regular,22,12
+meat,little,46,44
+meat,regular,47,11
+meat,little,52,30
+meat,little,49,24
+meat,little,28,30
+meat,regular,27,19
+meat,regular,51,43
+meat,little,59,10
+meat,regular,38,44
+meat,regular,30,37
+meat,little,44,24
+meat,regular,34,45
+meat,regular,50,49
+meat,regular,36,50
+meat,little,13,22
+meat,little,28,25
+meat,regular,29,14
 meat,regular,56,17
-meat,regular,31,45
-meat,regular,57,42
-meat,regular,44,30
-meat,regular,33,45
-meat,little,52,25
-meat,little,48,15
-meat,regular,44,53
-meat,little,30,28
-meat,little,39,23
-meat,little,52,28
-meat,little,16,17
-meat,little,22,54
-meat,little,51,50
-meat,regular,51,25
-meat,little,14,28
-meat,little,51,25
-meat,regular,26,27
-meat,regular,26,35
-meat,little,41,24
-meat,regular,22,38
-meat,regular,37,25
-meat,regular,41,28
-meat,little,54,12
-meat,regular,31,22
-meat,regular,38,17
-meat,little,51,32
-meat,little,20,54
-meat,little,36,30
-meat,regular,33,46
-meat,little,43,16
-meat,regular,30,10
-meat,little,14,36
-meat,little,51,24
-meat,little,11,13
-meat,little,53,54
-meat,regular,27,12
-meat,regular,41,30
-meat,little,13,25
-meat,little,34,43
-meat,regular,51,45
-meat,regular,39,37
-meat,little,44,54
-meat,regular,37,12
-meat,regular,46,13
-meat,regular,25,21
-meat,regular,37,13
-meat,little,45,32
-meat,little,28,46
-meat,little,11,22
-meat,little,37,32
-meat,little,26,20
-meat,regular,21,35
-meat,regular,40,18
-meat,regular,59,42
-meat,regular,36,42
-meat,regular,57,16
-meat,little,20,47
-meat,little,18,34
-meat,regular,23,30
-meat,regular,44,23
-meat,little,41,28
-meat,little,12,49
-meat,regular,33,10
-meat,regular,44,21
-meat,little,57,51
-meat,regular,49,45
-meat,regular,36,40
-meat,little,24,11
-meat,little,45,45
-meat,little,59,30
-meat,little,16,23
-meat,little,57,13
-meat,little,58,36
-meat,little,35,16
-meat,little,44,54
-meat,regular,21,21
-meat,little,57,31
-meat,little,50,34
-meat,regular,25,40
+meat,regular,57,45
+meat,little,28,22
+meat,regular,41,53
+meat,little,10,19
+meat,little,32,53
+meat,little,29,22