import random import pandas as pd import pydotplus from sklearn.tree import DecisionTreeClassifier from krata import * 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) 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)) 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 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)