132 lines
5.2 KiB
Markdown
132 lines
5.2 KiB
Markdown
# 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. |