41 lines
1.9 KiB
Python
41 lines
1.9 KiB
Python
|
import random
|
||
|
|
import pandas as pd
|
||
|
|
from sklearn.tree import DecisionTreeClassifier
|
||
|
|
from sklearn.model_selection import train_test_split
|
||
|
|
from sklearn import metrics
|
||
|
|
|
||
|
|
from krata import *
|
||
|
|
|
||
|
|
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)
|
||
|
|
x = df[['plec', 'wiek', 'czas_w_pom', 'temp_w_pom', 'poziom_kurzu', 'poziom_oswietlenia', 'niebezp_towary']]
|
||
|
|
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))
|
||
|
|
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
|
||
|
|
z.extend(random.choices([1, 2], weights=[4,1], k=1)) # 1 dorosły, 2 osoba starsza
|
||
|
|
z.extend(random.choices([1, 2, 3], weights=[2, 5, 3], k=1)) # jak długo przebywa w pomieszczeniu, 3 to nadłużej
|
||
|
|
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)
|