1.9 KiB
Kolejkowanie zadań
Metoda uczenia: Drzewa decyzyjne Autor: Dominik Zawadzki
Funkcja kolejkowania zadań jak i drzewo decyzyjne znajdują się w pliku:
decisionTree.py
Funkcje drzewa decyzyjnego:
BuildDf(self)
Buduje Data Frame złożony z trzech atrybutów:
- actionName - nazwa zadania
- distance - dystans pomiędzy kelnerem a stolikiem
- priority - priorytet danej akcji
FindPriorityEntropy(self,df)
Oblicza entropie dla priorytetu za pomocą wzoru:
- ent = pi * log2pi gdzie i oznacza wartośc priorytetu i = {0, 1, 2, 3, 4}
FindAttributesEntropy(self, df, attribute)
Zwraca entropie danego w parametrze atrybutu, gdzie jako prawdopodobieństwo liczona jest ilość wystąpień tego atrybutu w kolejnych priorytetach.
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
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:
TasksList(self, name, coordinate):
Funkcja oblicza dystans dzielący kelnera od stolika i razem z nazwą zadania dodawane jest do listy zadań.
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.