Raport- drzewa decyzyjne

Raport- drzewa decyzyjne.md

@@ -0,0 +1,132 @@
+# Podprojekt indywidualny - Szymon Parafiński
+
+## Wykorzystane metody uczenia
+
+Do realizacji podprojektu wykorzystano drzewa decyzyjne do decydowania, co należy zrobić po najechaniu na konkretne pole. 
+Drzewo decyduje na jakim etapie jest roślina analizując poszczególne stany danego pola: 
+- Dopiero co zasiana (kiełek)
+	--> 0: "Nie_podejmuj_działania"
+- Roślinka kiełkująca (młoda)
+	--> 1: "Zastosuj_nawóz"
+- Roślina starzejąca się, bez środka ochrony
+	 --> 2: "Zastosuj_środek"
+- Roślinka dojrzałam gotowa do zbioru
+	--> 4: "Zbierz"
+- Roślina zepsuta, nie nadaje się do użytku
+	--> 5: "Roślina_już_zgniła-zbierz_i_wyrzuć".
+	
+ Do implementacji drzew decyzyjnych w Pythonie wykorzystane zostały biblioteki 
+ **sklearn** , **pandas** oraz **pickle**.
+ 
+## Uczenie modelu
+
+#### def loadLearningBase():  
+Metoda **loadLearningBase** rozpoczyna od utworzenia zbioru uczącego na podstawie tabeli zawierającej informacje wszystkich możliwych stanach roślinki. 
+
+*col_names* -> zawiera nagłówki poszczególnych kolumn
+*feature_cols* -> zawiera nagłówki z kolumnami w których znajdują się dane do analizy
+```
+    col_names = ['Warzywo', 'Nawoz', 'Srodek', 'Stan', 'Dzialanie']
+    base = pd.read_csv("Database.csv", header=None, names=col_names)
+    feature_cols = ['Warzywo', 'Nawoz', 'Srodek', 'Stan']
+    """ print dataset"""
+    # print(base.head())
+```
+ Tutaj dzielimy podane kolumny na dwa typy zmiennych:
+* zmienne docelowe ---> y
+*  i zmienne funkcyjne ---> X
+
+Aby móc sprawdzić wydajność modelu, dzielę zestaw danych na zestaw szkoleniowy i zestaw testowy --->  za pomocą funkcji train_test_split (). 
+
+```
+    X = base[feature_cols]  # Features
+    y = base.Dzialanie  # Target variable
+
+    # Split dataset into training set and test set
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
+                                                        random_state=1)  # 70% training and 30% test
+```
+Wywołanie funkcji odpowiedzialnej za wygenerowanie drzewa. 
+```                                                    
+    data = generateDecisionTree(X_train, X_test, y_train, y_test)
+```
+Dodatkowe elementy pozwalające na wizualizację stworzonego drzewa decyzyjnego poprzez wygenerowanie drzewa zależności if/else lub najpierw do pliku .dot, który następnie poddany odpowiedniej 'obróbce' utworzy obraz.
+```
+    """generate data for image"""
+    # tree.export_graphviz(data, out_file='treeData.dot', filled=True, rounded=True, special_characters=True,
+    #                      feature_names=feature_cols)
+
+    """Printing if_styled tree to console"""
+    # tree_to_code(data, feature_cols)
+
+    return data
+```
+---
+#### def generateDecisionTree():
+Metoda **generateDecisionTree** generuje drzewo decyzyjne na podstawie dostarczonej bazy danych. 
+
+Do zmiennej *clf* zapisujemy drzewo decyzyjne z biblioteki **sklearn** utworzone za pomocą metody **DecisionTreeClassifier** z parametrem **criterion** ustawionym na **"entropy"**, który pozwala na uzyskiwanie informacji. 
+Na drzewie wywołujemy metodę **fit**, która dopasowuje do drzewa zbiór uczący zadany w tablicach **X_train** i **y_train**.
+Po dopasowaniu danych możemy przewidzieć przynależność nowych przykładów, co robimy wywołując na drzewie metodę **predict** z parametrami, które zawierają informację o stanie danego pola. 
+```
+def generateDecisionTree(X_train, X_test, y_train, y_test):
+    # Create Decision Tree classifer object
+    clf = DecisionTreeClassifier(criterion="entropy")
+
+    # Train Decision Tree Classifer
+    clf = clf.fit(X_train, y_train)
+```
+Aby ocenić dokładność naszego modelu przewidujemy odpowiedzi dla naszego zestawu testowego, aby móc go porównać z zestawem y_test i otrzymać dokładność wygenerowanego modelu.
+```
+	# Predict the response for test dataset
+    y_pred = clf.predict(X_test)
+
+    """Model Accuracy, how often is the classifier correct """
+    # print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
+```
+---
+#### main(): 
+Metoda main wywołuje pozostałe metody oraz zapisuje wygenerowany model do pliku .sav aby nie było trzeba ponownie generować drzewa, tylko wczytać już te wygenerowane.
+```
+generated = loadLearningBase()
+
+    # Save generated tree
+    filename = 'decisionTree.sav'
+    pickle.dump(generated, open(filename, 'wb'))
+```
+
+## Implementacja 
+
+Klasa która będzie wywoływana w **C++** nazywa się *injectCode*. 
+
+```
+import pickle  
+import sys   
+  
+def predict(warzywo, nawoz ,srodek, stan_wzrostu):  
+	filename = 'decisionTree.sav'  
+	tree = pickle.load(open(filename, 'rb'))  
+	print(tree.predict([[warzywo, nawoz, srodek, stan_wzrostu]]))  
+  
+  
+if __name__ == '__main__':  
+  # Map command line arguments to function arguments.  
+  predict(*sys.argv[1:])
+```
+Aby otrzymać zalecane działanie dla danego pola należy wywołać kod w wierszu polecenia takim poleceniem: 
+```
+python injectCode.py a b c d
+```
+Gdzie:
+* a -> rodzaj warzywa 
+* b -> czy roślina była nawożona 
+	* 0: "nie"
+	* 1: "tak" 
+* c ->  czy na roślinie był stosowany środek ochronny
+	* 0: "nie"
+	* 1: "tak" 
+* d -> stan wzrostu w jakim znajduje się roślina
+	* [1,20) - kiełek,
+	* [20,45) - młoda roślina,
+	* [45,85) - dojrzała,
+	* [80,100] - starzejąca się.