Prześlij pliki do ''

Decision Tree

TaskQueuing.md

@@ -0,0 +1,56 @@
+# Kolejkowanie zadań
+
+**Metoda uczenia:** Drzewa decyzyjne
+**Autor:** Dominik Zawadzki
+
+Funkcja kolejkowania zadań jak i drzewo decyzyjne znajdują się w pliku:
+```sh
+decisionTree.py
+```
+
+## Funkcje drzewa decyzyjnego:
+```sh
+BuildDf(self)
+```
+Buduje Data Frame złożony z trzech atrybutów:
+1. actionName - nazwa zadania
+2. distance - dystans pomiędzy kelnerem a stolikiem
+3. priority - priorytet danej akcji
+
+```sh
+FindPriorityEntropy(self,df)
+```
+Oblicza entropie dla priorytetu za pomocą wzoru:
+* ent = pi * log2pi
+gdzie i oznacza wartośc priorytetu i = {0, 1, 2, 3, 4}
+
+```sh
+FindAttributesEntropy(self, df, attribute)
+```
+Zwraca entropie danego w parametrze atrybutu, gdzie jako prawdopodobieństwo liczona jest ilość wystąpień tego atrybutu w kolejnych priorytetach.
+
+```sh
+FindWinner(self, df):
+```
+Zwraca atrubut o najwyższym info gain wyliczanym na podstawie wzoru:
+* ent(pr) - ent(atr)
+ gdzie ent(pr) - entropia po priorytecie
+ a ent(atr) - entropia atrybutu po uwzględnieniu priorytetu
+
+```sh
+BuildTree(self, df, tree=None)
+```
+Rekurencyjna funkcja budująca drzewo decyzyjne. Na początek wyznaczamy atrybut o najwyższym info gain, a następnie budowane jest z niego poddrzewo, jeśli dane poddrzewo jest "puste", dodajemy je do drzewa i kończymy, bo drzewo zostało zbudowane, jesli nie to funkcja wywołuje samą siebie biorąc za parametr poddrzewo.
+
+## Funkcje kolejkowania zadań:
+```sh
+TasksList(self, name, coordinate):
+```
+Funkcja oblicza dystans dzielący kelnera od stolika i razem z nazwą zadania dodawane jest do listy zadań.
+
+```sh
+Queue(self, tasksList):
+```
+W tej funkcji wykorzystywane jest drzewo decyzyjne.
+Dla każdego zadanie z listy zadań pętla idzie po odpowiednich wierzchołkach i odnajduje priorytet, który z poprzednimi parametrami dodawany jest do listy stanowiącej kolejkę zadań.
+Na koniec funkcji kolejka jest sortowana po priorytecie.