Zaktualizuj 'RaportJaroslawZbaski.md'
This commit is contained in:
parent
84c416cc75
commit
3918d1fc79
@ -1,204 +1,209 @@
|
||||
##Jarosław Zbąski – raport z podprojektu
|
||||
---
|
||||
#Wybrana metoda:
|
||||
---
|
||||
Do realizacji podprojektu wykorzystano drzewa decyzyjne wskazujące którą roślinę (jeśli w ogóle) należy posadzić na danym polu. Drzewo decyzję podejmuje na podstawie poszczególnych parametrów gleby:
|
||||
|
||||
-żyzność (‘z’-żyzna, ‘j’-jałowa)
|
||||
-nawodnienie (‘n’ - nawodniona, ‘s’ - sucha)
|
||||
-nasłonecznienie (‘s’ - w słońcu, ‘c’ – w cieniu)
|
||||
-kwasowość gleby (‘k’ – kwasowa, ‘n’ – neutralna, ‘z’ - zasadowa)
|
||||
|
||||
#Uczenie modelu:
|
||||
Dane treningowe:
|
||||
```
|
||||
training_data = [
|
||||
#zyznosc, nawodnienie, cien, kwasowość, grupa
|
||||
['z', 'n', 's', 'z', 1],
|
||||
['z', 'n', 's', 'n', 1],
|
||||
['j', 'n', 's', 'z', 1],
|
||||
['z', 's', 's', 'n', 1],
|
||||
['j', 'n', 'c', 'n', 1],
|
||||
['z', 'n', 's', 'k', 1],
|
||||
['z', 'n', 'c', 'k', 2],
|
||||
['z', 's', 's', 'k', 2],
|
||||
['z', 's', 'c', 'k', 2],
|
||||
['j', 'n', 's', 'k', 2],
|
||||
['z', 's', 'c', 'z', 3],
|
||||
['j', 'n', 's', 'n', 3]
|
||||
]
|
||||
```
|
||||
Budowanie drzewa decyzyjnego opiera się na podziale gałęzi względem algorytmu CART. Ma ono postać ciągu pytań, na które odpowiedzi determinują kolejne pytania, bądź kończą etap. W wyniku otrzymujemy strukturę drzewa, która w węzłach końcowych nie zawiera już pytań, lecz same odpowiedzi. Dodatkowo wypisuje liczbę zestawów danych pasujących do liścia z zestawu treningowego.
|
||||
```
|
||||
def build_tree(rows):
|
||||
gain, question = find_best_split(rows)
|
||||
if gain == 0:
|
||||
return Leaf(rows)
|
||||
true_rows, false_rows = partition(rows, question)
|
||||
true_branch = build_tree(true_rows)
|
||||
false_branch = build_tree(false_rows)
|
||||
return Decision_Node(question, true_branch, false_branch)
|
||||
```
|
||||
Znajdowanie najlepszego podziału opiera się głównie na Współczynniku Giniego, który mierzy stopień niejednorodności i dzieli ją przez ilość pozostałych zestawów testowych.
|
||||
```
|
||||
def find_best_split(rows):
|
||||
best_gain = 0
|
||||
best_question = None
|
||||
current_uncertainty = gini(rows)
|
||||
n_features = len(rows[0]) - 1
|
||||
for col in range(n_features):
|
||||
values = set([row[col] for row in rows])
|
||||
for val in values:
|
||||
question = Question(col, val)
|
||||
true_rows, false_rows = partition(rows, question)
|
||||
if len(true_rows) == 0 or len(false_rows) == 0:
|
||||
continue
|
||||
gain = info_gain(true_rows, false_rows, current_uncertainty)
|
||||
if gain >= best_gain:
|
||||
best_gain, best_question = gain, question
|
||||
return best_gain, best_question
|
||||
```
|
||||
|
||||
Drzewo powstałe poprzez wykonanie metody print_tree(node,spacing) na zestawie testowym:
|
||||
```
|
||||
Czy kwasowosc == k?
|
||||
--> True:
|
||||
Czy cien == s?
|
||||
--> True:
|
||||
Czy nawodnienie == n?
|
||||
--> True:
|
||||
Czy zyznosc == j?
|
||||
--> True:
|
||||
Predict {2: 1}
|
||||
--> False:
|
||||
Predict {1: 1}
|
||||
--> False:
|
||||
Predict {2: 1}
|
||||
--> False:
|
||||
Predict {2: 2}
|
||||
--> False:
|
||||
Czy cien == s?
|
||||
--> True:
|
||||
Czy zyznosc == j?
|
||||
--> True:
|
||||
Czy kwasowosc == n?
|
||||
--> True:
|
||||
Predict {3: 1}
|
||||
--> False:
|
||||
Predict {1: 1}
|
||||
--> False:
|
||||
Predict {1: 3}
|
||||
--> False:
|
||||
Czy kwasowosc == n?
|
||||
--> True:
|
||||
Predict {1: 1}
|
||||
--> False:
|
||||
Predict {3: 1}
|
||||
```
|
||||
#Implementacja w C++:
|
||||
---
|
||||
Komunikacja między pythonem a cpp zachodzi przez pliki dane.txt i decyzje.txt. W pliku dane.txt cpp wypisuje stan całego pola w oddzielonych spacją kolumnach począwszy od indeksu x=1,y=1 aż po x=25,y=25. Decyzje podjęte przez drzewo decyzyjne wypisane w pliku decyzje.txt zawierają symbol rośliny lub pola jakie mają się znajdować na polu (również w całej przestrzeni pola).
|
||||
|
||||
Zestaw testowych danych:
|
||||
```
|
||||
void testSI1()
|
||||
{
|
||||
for (int i = 1; i < 26; i++)
|
||||
{
|
||||
for (int j = 1; j < 26; j++)
|
||||
{
|
||||
if (j % 3 == 0)
|
||||
{
|
||||
pole[i][j][2] = 'z'; //zyzne
|
||||
pole[i][j][3] = 'n'; //nawodnione
|
||||
pole[i][j][4] = 'c'; //w cieniu
|
||||
pole[i][j][5] = 'k'; //kwasne
|
||||
}
|
||||
else
|
||||
{
|
||||
if (j % 3 == 1)
|
||||
{
|
||||
pole[i][j][2] = 'j'; //jalowe
|
||||
pole[i][j][3] = 'n'; //nawodnione
|
||||
pole[i][j][4] = 's'; //w sloncu
|
||||
pole[i][j][5] = 'n'; //neutralne
|
||||
}
|
||||
else
|
||||
{
|
||||
pole[i][j][2] = 'z'; //zyzne
|
||||
pole[i][j][3] = 's'; //suche
|
||||
pole[i][j][4] = 's'; //sloneczne
|
||||
pole[i][j][5] = 'z'; //zasadowe
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
Funkcja wysyłająca stan pola:
|
||||
```
|
||||
void sendState()
|
||||
{
|
||||
ofstream write("dane.txt");
|
||||
for (int i = 1; i < 26; i++)
|
||||
{
|
||||
for (int j = 1; j < 26; j++)
|
||||
{
|
||||
string a;
|
||||
a += pole[i][j][2];
|
||||
a += ' ';
|
||||
a += pole[i][j][3];
|
||||
a += ' ';
|
||||
a += pole[i][j][4];
|
||||
a += ' ';
|
||||
a += pole[i][j][5];
|
||||
write << a << endl;
|
||||
}
|
||||
}
|
||||
write.close();
|
||||
}
|
||||
```
|
||||
|
||||
Funkcja kierująca traktorem (decyzja co zasiać):
|
||||
```
|
||||
void reciveState()
|
||||
{
|
||||
ifstream read("decyzje.txt");
|
||||
if (read.is_open())
|
||||
{
|
||||
char plant;
|
||||
int i = 1;
|
||||
int j = 1;
|
||||
while (read >> plant)
|
||||
{
|
||||
if (j == 25)
|
||||
{
|
||||
gogo(1, i+1);
|
||||
}
|
||||
else
|
||||
{
|
||||
gogo(j+1 , i );
|
||||
}
|
||||
pole[i][j][0] = plant;
|
||||
if (plant == '.')
|
||||
{
|
||||
pole[i][j][1] = '1';
|
||||
}
|
||||
else
|
||||
{
|
||||
pole[i][j][1] = '9';
|
||||
}
|
||||
if (j == 25)
|
||||
{
|
||||
j = 1;
|
||||
i += 1;
|
||||
}
|
||||
else
|
||||
{
|
||||
j += 1;
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
##Jarosław Zbąski – raport z podprojektu
|
||||
---
|
||||
#Wybrana metoda:
|
||||
---
|
||||
Do realizacji podprojektu wykorzystano drzewa decyzyjne wskazujące którą roślinę (jeśli w ogóle) należy posadzić na danym polu. Drzewo decyzję podejmuje na podstawie poszczególnych parametrów gleby:
|
||||
|
||||
-żyzność (‘z’-żyzna, ‘j’-jałowa)
|
||||
|
||||
-nawodnienie (‘n’ - nawodniona, ‘s’ - sucha)
|
||||
|
||||
-nasłonecznienie (‘s’ - w słońcu, ‘c’ – w cieniu)
|
||||
|
||||
-kwasowość gleby (‘k’ – kwasowa, ‘n’ – neutralna, ‘z’ - zasadowa)
|
||||
|
||||
|
||||
#Uczenie modelu:
|
||||
---
|
||||
Dane treningowe:
|
||||
```
|
||||
training_data = [
|
||||
#zyznosc, nawodnienie, cien, kwasowość, grupa
|
||||
['z', 'n', 's', 'z', 1],
|
||||
['z', 'n', 's', 'n', 1],
|
||||
['j', 'n', 's', 'z', 1],
|
||||
['z', 's', 's', 'n', 1],
|
||||
['j', 'n', 'c', 'n', 1],
|
||||
['z', 'n', 's', 'k', 1],
|
||||
['z', 'n', 'c', 'k', 2],
|
||||
['z', 's', 's', 'k', 2],
|
||||
['z', 's', 'c', 'k', 2],
|
||||
['j', 'n', 's', 'k', 2],
|
||||
['z', 's', 'c', 'z', 3],
|
||||
['j', 'n', 's', 'n', 3]
|
||||
]
|
||||
```
|
||||
Budowanie drzewa decyzyjnego opiera się na podziale gałęzi względem algorytmu CART. Ma ono postać ciągu pytań, na które odpowiedzi determinują kolejne pytania, bądź kończą etap. W wyniku otrzymujemy strukturę drzewa, która w węzłach końcowych nie zawiera już pytań, lecz same odpowiedzi. Dodatkowo wypisuje liczbę zestawów danych pasujących do liścia z zestawu treningowego.
|
||||
```
|
||||
def build_tree(rows):
|
||||
gain, question = find_best_split(rows)
|
||||
if gain == 0:
|
||||
return Leaf(rows)
|
||||
true_rows, false_rows = partition(rows, question)
|
||||
true_branch = build_tree(true_rows)
|
||||
false_branch = build_tree(false_rows)
|
||||
return Decision_Node(question, true_branch, false_branch)
|
||||
```
|
||||
Znajdowanie najlepszego podziału opiera się głównie na Współczynniku Giniego, który mierzy stopień niejednorodności i dzieli ją przez ilość pozostałych zestawów testowych.
|
||||
```
|
||||
def find_best_split(rows):
|
||||
best_gain = 0
|
||||
best_question = None
|
||||
current_uncertainty = gini(rows)
|
||||
n_features = len(rows[0]) - 1
|
||||
for col in range(n_features):
|
||||
values = set([row[col] for row in rows])
|
||||
for val in values:
|
||||
question = Question(col, val)
|
||||
true_rows, false_rows = partition(rows, question)
|
||||
if len(true_rows) == 0 or len(false_rows) == 0:
|
||||
continue
|
||||
gain = info_gain(true_rows, false_rows, current_uncertainty)
|
||||
if gain >= best_gain:
|
||||
best_gain, best_question = gain, question
|
||||
return best_gain, best_question
|
||||
```
|
||||
|
||||
Drzewo powstałe poprzez wykonanie metody print_tree(node,spacing) na zestawie testowym:
|
||||
```
|
||||
Czy kwasowosc == k?
|
||||
--> True:
|
||||
Czy cien == s?
|
||||
--> True:
|
||||
Czy nawodnienie == n?
|
||||
--> True:
|
||||
Czy zyznosc == j?
|
||||
--> True:
|
||||
Predict {2: 1}
|
||||
--> False:
|
||||
Predict {1: 1}
|
||||
--> False:
|
||||
Predict {2: 1}
|
||||
--> False:
|
||||
Predict {2: 2}
|
||||
--> False:
|
||||
Czy cien == s?
|
||||
--> True:
|
||||
Czy zyznosc == j?
|
||||
--> True:
|
||||
Czy kwasowosc == n?
|
||||
--> True:
|
||||
Predict {3: 1}
|
||||
--> False:
|
||||
Predict {1: 1}
|
||||
--> False:
|
||||
Predict {1: 3}
|
||||
--> False:
|
||||
Czy kwasowosc == n?
|
||||
--> True:
|
||||
Predict {1: 1}
|
||||
--> False:
|
||||
Predict {3: 1}
|
||||
```
|
||||
#Implementacja w C++:
|
||||
---
|
||||
Komunikacja między pythonem a cpp zachodzi przez pliki dane.txt i decyzje.txt. W pliku dane.txt cpp wypisuje stan całego pola w oddzielonych spacją kolumnach począwszy od indeksu x=1,y=1 aż po x=25,y=25. Decyzje podjęte przez drzewo decyzyjne wypisane w pliku decyzje.txt zawierają symbol rośliny lub pola jakie mają się znajdować na polu (również w całej przestrzeni pola).
|
||||
|
||||
Zestaw testowych danych:
|
||||
```
|
||||
void testSI1()
|
||||
{
|
||||
for (int i = 1; i < 26; i++)
|
||||
{
|
||||
for (int j = 1; j < 26; j++)
|
||||
{
|
||||
if (j % 3 == 0)
|
||||
{
|
||||
pole[i][j][2] = 'z'; //zyzne
|
||||
pole[i][j][3] = 'n'; //nawodnione
|
||||
pole[i][j][4] = 'c'; //w cieniu
|
||||
pole[i][j][5] = 'k'; //kwasne
|
||||
}
|
||||
else
|
||||
{
|
||||
if (j % 3 == 1)
|
||||
{
|
||||
pole[i][j][2] = 'j'; //jalowe
|
||||
pole[i][j][3] = 'n'; //nawodnione
|
||||
pole[i][j][4] = 's'; //w sloncu
|
||||
pole[i][j][5] = 'n'; //neutralne
|
||||
}
|
||||
else
|
||||
{
|
||||
pole[i][j][2] = 'z'; //zyzne
|
||||
pole[i][j][3] = 's'; //suche
|
||||
pole[i][j][4] = 's'; //sloneczne
|
||||
pole[i][j][5] = 'z'; //zasadowe
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
Funkcja wysyłająca stan pola:
|
||||
```
|
||||
void sendState()
|
||||
{
|
||||
ofstream write("dane.txt");
|
||||
for (int i = 1; i < 26; i++)
|
||||
{
|
||||
for (int j = 1; j < 26; j++)
|
||||
{
|
||||
string a;
|
||||
a += pole[i][j][2];
|
||||
a += ' ';
|
||||
a += pole[i][j][3];
|
||||
a += ' ';
|
||||
a += pole[i][j][4];
|
||||
a += ' ';
|
||||
a += pole[i][j][5];
|
||||
write << a << endl;
|
||||
}
|
||||
}
|
||||
write.close();
|
||||
}
|
||||
```
|
||||
|
||||
Funkcja kierująca traktorem (decyzja co zasiać):
|
||||
```
|
||||
void reciveState()
|
||||
{
|
||||
ifstream read("decyzje.txt");
|
||||
if (read.is_open())
|
||||
{
|
||||
char plant;
|
||||
int i = 1;
|
||||
int j = 1;
|
||||
while (read >> plant)
|
||||
{
|
||||
if (j == 25)
|
||||
{
|
||||
gogo(1, i+1);
|
||||
}
|
||||
else
|
||||
{
|
||||
gogo(j+1 , i );
|
||||
}
|
||||
pole[i][j][0] = plant;
|
||||
if (plant == '.')
|
||||
{
|
||||
pole[i][j][1] = '1';
|
||||
}
|
||||
else
|
||||
{
|
||||
pole[i][j][1] = '9';
|
||||
}
|
||||
if (j == 25)
|
||||
{
|
||||
j = 1;
|
||||
i += 1;
|
||||
}
|
||||
else
|
||||
{
|
||||
j += 1;
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
```
|
||||
Loading…
Reference in New Issue
Block a user