Sztuczna_Inteligencja_Gr16/rescue.py

46 lines
2.0 KiB
Python
Raw Normal View History

import random
import pandas as pd
2022-05-18 01:10:31 +02:00
import pydotplus
from sklearn.tree import DecisionTreeClassifier
from krata import *
2022-05-18 01:10:31 +02:00
from sklearn import metrics, tree
def drzewo_decyzyjne():
columns = ['plec', 'wiek', 'czas_w_pom', 'temp_w_pom', 'poziom_kurzu', 'poziom_oswietlenia', 'niebezp_towary', 'decyzja']
df = pd.read_csv("dataset.csv", header=0, sep=";", names=columns)
2022-05-18 01:10:31 +02:00
kolumny_x=['plec', 'wiek', 'czas_w_pom', 'temp_w_pom', 'poziom_kurzu', 'poziom_oswietlenia', 'niebezp_towary']
x = df[kolumny_x]
y = df.decyzja
#df.info()
#X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = DecisionTreeClassifier()
clf = clf.fit(x, y)
# print("Dokładność: ", metrics.accuracy_score(y_test, y_pred))
2022-05-18 01:10:31 +02:00
dot_data = tree.export_graphviz(clf, out_file=None, feature_names=kolumny_x, class_names=['0', '1'])
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png('drzewo.png')
return clf
def decyzja_osoba(osoba: PoleKraty, clf: DecisionTreeClassifier):
z=[]
z.extend(random.choices([1,2], weights=[1,2], k=1)) #1 kobieta, 2 mężczyzna
2022-05-18 01:10:31 +02:00
z.append(random.randint(18, 75)) #od 55 osoba starsza
z.append(random.randint(1, 60)) # jak długo przebywa w pomieszczeniu, od 40 min długo, od 20 min średnio, do 20 min krótko
if osoba.kolumna > 21:
z.append(0) # zimne pomieszczenie
else:
z.append(1) # normalne pomieszczenie
z.extend(random.choices([1, 2], weights=[7, 3], k=1)) # poziom kurzu, 2 to największy/najbardziej niebezpieczny
z.extend(random.choices([1, 2], weights=[4, 6], k=1)) # poziom oświetlenia, 2 to najlepsze oświetlenie
if (0<=osoba.wiersz or osoba.wiersz<=13) and (17<=osoba.kolumna or osoba.kolumna<=19): #obok szafki z niebezpiecznymi towarami
z.append(1)
else:
z.append(0)
columns = ['plec', 'wiek', 'czas_w_pom', 'temp_w_pom', 'poziom_kurzu', 'poziom_oswietlenia', 'niebezp_towary']
z1 = pd.DataFrame([z],columns=columns)
z_pred = clf.predict(z1)
#print(z)
#print(z_pred)
return (z_pred)