Zaktualizuj 'Raport- drzewa decyzyjne.md'
This commit is contained in:
parent
81977d051f
commit
77f8acbdd8
@ -18,11 +18,11 @@ Drzewo decyduje na jakim etapie jest roślina analizując poszczególne stany da
|
||||
- 5: "Roślina_już_zgniła-zbierz_i_wyrzuć".
|
||||
|
||||
Do implementacji drzew decyzyjnych w Pythonie wykorzystane zostały biblioteki
|
||||
**sklearn** , **pandas** oraz **pickle**.
|
||||
**sklearn** , **pandas**,**sys** oraz **pickle**.
|
||||
|
||||
## Uczenie modelu
|
||||
|
||||
#### def loadLearningBase():
|
||||
#### loadLearningBase(): [python]
|
||||
Metoda **loadLearningBase** rozpoczyna od utworzenia zbioru uczącego na podstawie tabeli zawierającej informacje wszystkich możliwych stanach roślinki.
|
||||
|
||||
*col_names* -> zawiera nagłówki poszczególnych kolumn
|
||||
@ -63,8 +63,8 @@ Dodatkowe elementy pozwalające na wizualizację stworzonego drzewa decyzyjnego
|
||||
|
||||
return data
|
||||
```
|
||||
---
|
||||
#### def generateDecisionTree():
|
||||
---
|
||||
#### generateDecisionTree(): [python]
|
||||
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.
|
||||
@ -87,7 +87,7 @@ Aby ocenić dokładność naszego modelu przewidujemy odpowiedzi dla naszego zes
|
||||
# print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
|
||||
```
|
||||
---
|
||||
#### main():
|
||||
#### main(): [python]
|
||||
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()
|
||||
@ -97,25 +97,77 @@ generated = loadLearningBase()
|
||||
pickle.dump(generated, open(filename, 'wb'))
|
||||
```
|
||||
|
||||
## Implementacja
|
||||
## Implementacja w projekcie całościowym
|
||||
|
||||
Klasa która będzie wywoływana w **C++** nazywa się *injectCode*.
|
||||
Klasa wywoływana w **C++** nazywa się *injectCode*.
|
||||
Działanie polega na tym że, funkcja **stanPola** sprawdza jakie wartości ma dane pole i generuje odpowiednie polecenie do wykonania.
|
||||
#### stanPola(): [C++]
|
||||
|
||||
```
|
||||
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:])
|
||||
void stanPola(int x, int y) {
|
||||
//[x][x][0] = 0 - brak chemii
|
||||
//[x][x][0] = 1 - tylko nawóz
|
||||
//[x][x][0] = 2 - tylko środek
|
||||
//[x][x][0] = 3 - środek i nawóz
|
||||
//[x][x][1] - wartość wzrostu rośliny
|
||||
|
||||
if (stan[x][y][0] == 0)
|
||||
polecenie.append("0 0 ");
|
||||
if (stan[x][y][0] == 1)
|
||||
polecenie.append("1 0 ");
|
||||
if (stan[x][y][0] == 2)
|
||||
polecenie.append("0 1 ");
|
||||
if (stan[x][y][0] == 3)
|
||||
polecenie.append("1 1 ");
|
||||
int w = (stan[x][y][1]);
|
||||
std::string s = std::to_string(w);
|
||||
polecenie.append(s);
|
||||
}
|
||||
```
|
||||
Aby otrzymać zalecane działanie dla danego pola należy wywołać kod w wierszu polecenia takim poleceniem:
|
||||
|
||||
Następnie funckja **decisionTree** wykonuje wygenerowane zapytanie.
|
||||
#### decisionTree(): [C++]
|
||||
|
||||
```
|
||||
void decisionTree(string polecenie) {
|
||||
|
||||
std::string str = polecenie;
|
||||
const char* c = str.c_str();
|
||||
system(c);
|
||||
}
|
||||
```
|
||||
#### injectCode(): [python]
|
||||
|
||||
```
|
||||
import pickle
|
||||
import sys
|
||||
|
||||
|
||||
def prediction(warzywo, nawoz ,srodek, stan_wzrostu):
|
||||
filename = 'decisionTree.sav'
|
||||
tree = pickle.load(open(filename, 'rb'))
|
||||
val = (tree.predict([[warzywo, nawoz, srodek, stan_wzrostu]]))
|
||||
print(decision(val))
|
||||
|
||||
def decision(prediction):
|
||||
if prediction == 0:
|
||||
return "Nie_podejmuj_dzialania"
|
||||
elif prediction == 1:
|
||||
return "Zastosuj_nawoz"
|
||||
elif prediction == 2:
|
||||
return "Zastosuj_srodek"
|
||||
elif prediction == 4:
|
||||
return "Zbierz"
|
||||
elif prediction == 5:
|
||||
return "Roslina_juz_zgnila__zbierz_i_wyrzuc"
|
||||
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
# Map command line arguments to function arguments.
|
||||
prediction(*sys.argv[1:])
|
||||
```
|
||||
Generowane polecenie wygląda w ten sposób:
|
||||
```
|
||||
python injectCode.py a b c d
|
||||
```
|
||||
|
Loading…
Reference in New Issue
Block a user