Zaktualizuj 'RaportJaroslawZbaski.md'

Main.cpp

@@ -7,6 +7,7 @@
 #include<set>
 #include<math.h>
 #include<stack>
+#include<fstream>
 
 using namespace std;
 
@@ -21,7 +22,7 @@ struct cell
 	double f, g, h;
 };
 
-char pole[27][27][2];
+char pole[27][27][6];
 int pozycjaTraktoraX = 1, pozycjaTraktoraY = 1;
 char currentWay = 'S';
 
@@ -130,6 +131,10 @@ void updatePola()
 			{
 				color("purple", "dark_yellow");
 			}break;
+			case 'Z':
+			{
+				color("cyan", "dark_yellow");
+			}break;
 			case 'T':
 			{
 				color("red", "dark_yellow");
@@ -501,7 +506,7 @@ void test1()
 {
 	pole[1][3][0] = 'B';
 	pole[1][3][1] = '9';
-	pole[3][1][0] = 'B';
+	pole[3][1][0] = 'Z';
 	pole[3][1][1] = '9';
 }
 void test2()
@@ -518,15 +523,116 @@ void test2()
 	updatePola();
 }
 
+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
+				}
+			}
+		}
+	}
+}
+
+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();
+}
+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;
+			}
+		}
+	}
+}
+
 void start1()
 {
 	int goalX = 3, goalY = 4;
 	test1();
+	testSI1();
 	pole[1][1][0] = 'T';
 	pole[1][1][1] = '1';
 	pole[goalY][goalX][0] = 'G';
 	pole[goalY][goalX][1] = '9';
 	gogo(goalX, goalY);
+	gogo(goalX - 1, goalY);
+	pole[goalY][goalX][0] = 'Z';
+	pole[goalY][goalX][1] = '9';
+	updatePola();
+	//sendState();		//trzeba ręcznie zmieniać między wysyłaniem stanu a pobieraniem stanu pola
+	reciveState();
 }
 void start2()
 {
@@ -581,7 +687,7 @@ int main()
 
 	updatePola();
 
-	start3();  // testy start 1-3
+	start1();  // testy start 1-3
 
 	//---------start---------//
 	bool traktorDziala = true;

RaportJaroslawZbaski.md

@@ -0,0 +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 zestaw 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 (entropia), co daje nam przyrost informacji.
+```
+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;
+			}
+		}
+	}
+}
+```

dane.txt

@@ -0,0 +1,625 @@
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n
+z s s z
+z n c k
+j n s n

decyzje.txt

@@ -0,0 +1,625 @@
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.
+B
+Z
+.

drzewaDecyzyjne.py

@@ -0,0 +1,165 @@
+training_data = [
+    #zyznosc, nawodnienie, cien, kwasowosc
+    ['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]
+]
+
+header = ["zyznosc", "nawodnienie", "cien", "kwasowosc", "wybor"]
+
+def class_counts(rows):
+    counts = {}
+    for row in rows:
+        label = row[-1]
+        if label not in counts:
+            counts[label] = 0
+        counts[label] += 1
+    return counts
+
+
+def is_numeric(value):
+    return isinstance(value, int) or isinstance(value, float)
+
+
+class Question:
+    def __init__(self, column, value):
+        self.column = column
+        self.value = value
+
+    def match(self, example):
+        val = example[self.column]
+        if is_numeric(val):
+            return val >= self.value
+        else:
+            return val == self.value
+
+    def __repr__(self):
+        condition = "=="
+        if is_numeric(self.value):
+            condition = ">="
+        return "Czy %s %s %s?" % (
+            header[self.column], condition, str(self.value))
+
+def partition(rows, question):
+    true_rows, false_rows = [], []
+    for row in rows:
+        if question.match(row):
+            true_rows.append(row)
+        else:
+            false_rows.append(row)
+    return true_rows, false_rows
+
+
+def gini(rows):
+    counts = class_counts(rows)
+    impurity = 1
+    for lbl in counts:
+        prob_of_lbl = counts[lbl] / float(len(rows))
+        impurity -= prob_of_lbl**2
+    return impurity
+
+
+def info_gain(left, right, current_uncertainty):
+    p = float(len(left)) / (len(left) + len(right))
+    return current_uncertainty - p * gini(left) - (1 - p) * gini(right)
+
+
+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
+
+
+class Leaf:
+    def __init__(self, rows):
+        self.predictions = class_counts(rows)
+
+class Decision_Node:
+    def __init__(self,
+                 question,
+                 true_branch,
+                 false_branch):
+        self.question = question
+        self.true_branch = true_branch
+        self.false_branch = false_branch
+
+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)
+
+
+def print_tree(node, spacing=""):
+    if isinstance(node, Leaf):
+        print (spacing + "Predict", node.predictions)
+        return
+    print (spacing + str(node.question))
+    print (spacing + '--> True:')
+    print_tree(node.true_branch, spacing + "  ")
+    print (spacing + '--> False:')
+    print_tree(node.false_branch, spacing + "  ")
+
+
+my_tree = build_tree(training_data)
+
+print_tree(my_tree)
+
+def classify(row, node):
+    if isinstance(node, Leaf):
+        return node.predictions
+    if node.question.match(row):
+        return classify(row, node.true_branch)
+    else:
+        return classify(row, node.false_branch)
+
+def print_leaf(counts):
+    total = sum(counts.values()) * 1.0
+    probs = {}
+    for lbl in counts.keys():
+        probs[lbl] = str(int(counts[lbl] / total * 100)) + "%"
+    return probs
+
+
+with open( 'dane.txt', "r" ) as f:
+    testing_data = [ line.split() for line in f ]
+
+
+file = open("decyzje.txt", "w")
+file.write("")
+file.close()
+
+for row in testing_data:
+    pom = print_leaf(classify(row, my_tree))
+    f = open("decyzje.txt", "a")
+    if pom == {1: '100%'}:
+        f.write("B\n")
+    if pom == {2: '100%'}:
+        f.write("Z\n")
+    if pom == {3: '100%'}:
+        f.write(".\n")
+    f.close()