użycie drzewa decyzyjnego w kodzie

agent.py

@@ -47,7 +47,7 @@ class Agent(pygame.sprite.Sprite):
         self._layer = AGENT_LAYER
         self.damage = 50*self.level
 
-        self.artifact = True
+        self.artifact = "tak"
 
     def update(self):
         

astar.py

@@ -34,7 +34,7 @@ class Astar():
     def a_star(self, goal):
         path = []
         start = (self.g.agent.rect.x//TILE_SIZE, self.g.agent.rect.y//TILE_SIZE)
-        print(start,goal)
+        #print(start,goal)
         open_set = []
         heapq.heappush(open_set, (0, start))  # Priority queue with the start position
         came_from = {}

data

@@ -1,5 +1,5 @@
 zdrowie_bohatera,moc_bohatera,moc_moba,lvl_wiekszy_bohater,mob_jest_strzelcem,zdrowie_moba,artefakt,akcja
-100,tak,tak,tak,tak,100,tak,zmien_kierunek
+100,tak,tak,tak,tak,100,tak,walcz
 100,tak,tak,tak,tak,100,nie,zmien_kierunek
 100,tak,tak,tak,tak,50,tak,zmien_kierunek
 100,tak,tak,tak,tak,50,nie,zmien_kierunek

drzewo_decyzyjne.py

@@ -0,0 +1,150 @@
+import pandas as pd
+import numpy as np
+
+class Tree():
+
+
+    # Obliczanie entropii dla całego zbioru danych
+    def oblicz_calkowita_entropie(self,dane_treningowe, etykieta, lista_klas):
+        liczba_wierszy = dane_treningowe.shape[0]
+        calkowita_entropia = 0
+
+        for klasa in lista_klas:
+            liczba_wystapien_klasy = dane_treningowe[dane_treningowe[etykieta] == klasa].shape[0]
+            entropia_klasy = - (liczba_wystapien_klasy / liczba_wierszy) * np.log2(liczba_wystapien_klasy / liczba_wierszy)
+            calkowita_entropia += entropia_klasy
+
+        return calkowita_entropia
+
+
+    # Obliczanie entropii dla przefiltrowanego zbioru danych
+    def oblicz_entropie(self,dane_wartosci_cechy, etykieta, lista_klas):
+        liczba_wystapien_cechy = dane_wartosci_cechy.shape[0]
+        entropia = 0
+
+        for klasa in lista_klas:
+            liczba_wystapien_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
+            entropia_klasy = 0
+
+            if liczba_wystapien_klasy != 0:
+                prawdopodobienstwo_klasy = liczba_wystapien_klasy / liczba_wystapien_cechy
+                entropia_klasy = - prawdopodobienstwo_klasy * np.log2(prawdopodobienstwo_klasy)
+
+            entropia += entropia_klasy
+
+        return entropia
+
+
+    # Obliczanie przyrostu informacji dla danej cechy
+    def oblicz_przyrost_informacji(self,nazwa_cechy, dane_treningowe, etykieta, lista_klas):
+        unikalne_wartosci_cechy = dane_treningowe[nazwa_cechy].unique()
+        liczba_wierszy = dane_treningowe.shape[0]
+        informacja_cechy = 0.0
+
+        for wartosc_cechy in unikalne_wartosci_cechy:
+            dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
+            liczba_wystapien_wartosci_cechy = dane_wartosci_cechy.shape[0]
+            entropia_wartosci_cechy = self.oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas)
+            prawdopodobienstwo_wartosci_cechy = liczba_wystapien_wartosci_cechy / liczba_wierszy
+            informacja_cechy += prawdopodobienstwo_wartosci_cechy * entropia_wartosci_cechy
+
+        return self.oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas) - informacja_cechy
+
+
+    # Znajdowanie najbardziej informatywnej cechy (cechy o najwyższym przyroście informacji)
+    def znajdz_najbardziej_informatywna_ceche(self,dane_treningowe, etykieta, lista_klas):
+        lista_cech = dane_treningowe.columns.drop(etykieta)
+        # Etykieta nie jest cechą, więc ją usuwamy
+        max_przyrost_informacji = -1
+        najbardziej_informatywna_cecha = None
+
+        for cecha in lista_cech:
+            przyrost_informacji_cechy = self.oblicz_przyrost_informacji(cecha, dane_treningowe, etykieta, lista_klas)
+
+            if max_przyrost_informacji < przyrost_informacji_cechy:
+                max_przyrost_informacji = przyrost_informacji_cechy
+                najbardziej_informatywna_cecha = cecha
+
+        return najbardziej_informatywna_cecha
+
+
+    # Dodawanie węzła do drzewa
+    def generuj_poddrzewo(self,nazwa_cechy, dane_treningowe, etykieta, lista_klas):
+        slownik_licznosci_wartosci_cechy = dane_treningowe[nazwa_cechy].value_counts(sort=False)
+        drzewo = {}
+
+        for wartosc_cechy, liczba in slownik_licznosci_wartosci_cechy.items():
+            dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
+
+            przypisany_do_wezla = False
+            for klasa in lista_klas:
+                liczba_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
+
+                if liczba_klasy == liczba:
+                    drzewo[wartosc_cechy] = klasa
+                    dane_treningowe = dane_treningowe[dane_treningowe[nazwa_cechy] != wartosc_cechy]
+                    przypisany_do_wezla = True
+            if not przypisany_do_wezla:
+                drzewo[wartosc_cechy] = "?"
+
+        return drzewo, dane_treningowe
+
+
+    # Wykonywanie algorytmu ID3 i generowanie drzewa
+    def generuj_drzewo(self,korzen, poprzednia_wartosc_cechy, dane_treningowe, etykieta, lista_klas):
+        if dane_treningowe.shape[0] != 0:
+            najbardziej_informatywna_cecha = self.znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas)
+            drzewo, dane_treningowe = self.generuj_poddrzewo(najbardziej_informatywna_cecha, dane_treningowe, etykieta, lista_klas)
+            nastepny_korzen = None
+
+            if poprzednia_wartosc_cechy is not None:
+                korzen[poprzednia_wartosc_cechy] = dict()
+                korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha] = drzewo
+                nastepny_korzen = korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha]
+            else:
+                korzen[najbardziej_informatywna_cecha] = drzewo
+                nastepny_korzen = korzen[najbardziej_informatywna_cecha]
+
+            for wezel, galezie in list(nastepny_korzen.items()):
+                if galezie == "?":
+                    dane_wartosci_cechy = dane_treningowe[dane_treningowe[najbardziej_informatywna_cecha] == wezel]
+                    self.generuj_drzewo(nastepny_korzen, wezel, dane_wartosci_cechy, etykieta, lista_klas)
+
+
+    # Znajdowanie unikalnych klas etykiety i rozpoczęcie algorytmu
+    def id3(self,nasze_dane, etykieta):
+        dane_treningowe = nasze_dane.copy()
+        drzewo = {}
+        lista_klas = dane_treningowe[etykieta].unique()
+        self.generuj_drzewo(drzewo, None, dane_treningowe, etykieta, lista_klas)
+        return drzewo
+
+
+    # Przewidywanie na podstawie drzewa
+    def przewiduj(self,drzewo, instancja):
+        if not isinstance(drzewo, dict):
+            return drzewo
+        else:
+            korzen = next(iter(drzewo))
+            wartosc_cechy = instancja[korzen]
+            if wartosc_cechy in drzewo[korzen]:
+                return self.przewiduj(drzewo[korzen][wartosc_cechy], instancja)
+            else:
+                return 'walcz'
+            
+    def tree(self,przyklad):
+        # Wczytywanie danych
+        nasze_dane = pd.read_csv("data")
+
+        drzewo = self.id3(nasze_dane, 'akcja')
+
+        return self.przewiduj(drzewo, przyklad)
+
+
+
+    
+
+    
+
+    #print(przewiduj(drzewo, przyklad))
+    #print(drzewo)

drzewo_decyzyjne/drzewo_decyzyjne.py

@@ -1,148 +0,0 @@
-import pandas as pd
-import numpy as np
-
-# Wczytywanie danych
-nasze_dane = pd.read_csv("drzewo_decyzyjne\data")
-
-
-# Obliczanie entropii dla całego zbioru danych
-def oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas):
-    liczba_wierszy = dane_treningowe.shape[0]
-    calkowita_entropia = 0
-
-    for klasa in lista_klas:
-        liczba_wystapien_klasy = dane_treningowe[dane_treningowe[etykieta] == klasa].shape[0]
-        entropia_klasy = - (liczba_wystapien_klasy / liczba_wierszy) * np.log2(liczba_wystapien_klasy / liczba_wierszy)
-        calkowita_entropia += entropia_klasy
-
-    return calkowita_entropia
-
-
-# Obliczanie entropii dla przefiltrowanego zbioru danych
-def oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas):
-    liczba_wystapien_cechy = dane_wartosci_cechy.shape[0]
-    entropia = 0
-
-    for klasa in lista_klas:
-        liczba_wystapien_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
-        entropia_klasy = 0
-
-        if liczba_wystapien_klasy != 0:
-            prawdopodobienstwo_klasy = liczba_wystapien_klasy / liczba_wystapien_cechy
-            entropia_klasy = - prawdopodobienstwo_klasy * np.log2(prawdopodobienstwo_klasy)
-
-        entropia += entropia_klasy
-
-    return entropia
-
-
-# Obliczanie przyrostu informacji dla danej cechy
-def oblicz_przyrost_informacji(nazwa_cechy, dane_treningowe, etykieta, lista_klas):
-    unikalne_wartosci_cechy = dane_treningowe[nazwa_cechy].unique()
-    liczba_wierszy = dane_treningowe.shape[0]
-    informacja_cechy = 0.0
-
-    for wartosc_cechy in unikalne_wartosci_cechy:
-        dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
-        liczba_wystapien_wartosci_cechy = dane_wartosci_cechy.shape[0]
-        entropia_wartosci_cechy = oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas)
-        prawdopodobienstwo_wartosci_cechy = liczba_wystapien_wartosci_cechy / liczba_wierszy
-        informacja_cechy += prawdopodobienstwo_wartosci_cechy * entropia_wartosci_cechy
-
-    return oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas) - informacja_cechy
-
-
-# Znajdowanie najbardziej informatywnej cechy (cechy o najwyższym przyroście informacji)
-def znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas):
-    lista_cech = dane_treningowe.columns.drop(etykieta)
-    # Etykieta nie jest cechą, więc ją usuwamy
-    max_przyrost_informacji = -1
-    najbardziej_informatywna_cecha = None
-
-    for cecha in lista_cech:
-        przyrost_informacji_cechy = oblicz_przyrost_informacji(cecha, dane_treningowe, etykieta, lista_klas)
-
-        if max_przyrost_informacji < przyrost_informacji_cechy:
-            max_przyrost_informacji = przyrost_informacji_cechy
-            najbardziej_informatywna_cecha = cecha
-
-    return najbardziej_informatywna_cecha
-
-
-# Dodawanie węzła do drzewa
-def generuj_poddrzewo(nazwa_cechy, dane_treningowe, etykieta, lista_klas):
-    slownik_licznosci_wartosci_cechy = dane_treningowe[nazwa_cechy].value_counts(sort=False)
-    drzewo = {}
-
-    for wartosc_cechy, liczba in slownik_licznosci_wartosci_cechy.items():
-        dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
-
-        przypisany_do_wezla = False
-        for klasa in lista_klas:
-            liczba_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
-
-            if liczba_klasy == liczba:
-                drzewo[wartosc_cechy] = klasa
-                dane_treningowe = dane_treningowe[dane_treningowe[nazwa_cechy] != wartosc_cechy]
-                przypisany_do_wezla = True
-        if not przypisany_do_wezla:
-            drzewo[wartosc_cechy] = "?"
-
-    return drzewo, dane_treningowe
-
-
-# Wykonywanie algorytmu ID3 i generowanie drzewa
-def generuj_drzewo(korzen, poprzednia_wartosc_cechy, dane_treningowe, etykieta, lista_klas):
-    if dane_treningowe.shape[0] != 0:
-        najbardziej_informatywna_cecha = znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas)
-        drzewo, dane_treningowe = generuj_poddrzewo(najbardziej_informatywna_cecha, dane_treningowe, etykieta, lista_klas)
-        nastepny_korzen = None
-
-        if poprzednia_wartosc_cechy is not None:
-            korzen[poprzednia_wartosc_cechy] = dict()
-            korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha] = drzewo
-            nastepny_korzen = korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha]
-        else:
-            korzen[najbardziej_informatywna_cecha] = drzewo
-            nastepny_korzen = korzen[najbardziej_informatywna_cecha]
-
-        for wezel, galezie in list(nastepny_korzen.items()):
-            if galezie == "?":
-                dane_wartosci_cechy = dane_treningowe[dane_treningowe[najbardziej_informatywna_cecha] == wezel]
-                generuj_drzewo(nastepny_korzen, wezel, dane_wartosci_cechy, etykieta, lista_klas)
-
-
-# Znajdowanie unikalnych klas etykiety i rozpoczęcie algorytmu
-def id3(nasze_dane, etykieta):
-    dane_treningowe = nasze_dane.copy()
-    drzewo = {}
-    lista_klas = dane_treningowe[etykieta].unique()
-    generuj_drzewo(drzewo, None, dane_treningowe, etykieta, lista_klas)
-    return drzewo
-
-
-# Przewidywanie na podstawie drzewa
-def przewiduj(drzewo, instancja):
-    if not isinstance(drzewo, dict):
-        return drzewo
-    else:
-        korzen = next(iter(drzewo))
-        wartosc_cechy = instancja[korzen]
-        if wartosc_cechy in drzewo[korzen]:
-            return przewiduj(drzewo[korzen][wartosc_cechy], instancja)
-        else:
-            return 'walcz'
-
-
-drzewo = id3(nasze_dane, 'akcja')
-
-przyklad = {'zdrowie_bohatera': '100',
-            'moc_bohatera': 'nie',
-            'moc_moba': 'nie',
-            'lvl_wiekszy_bohater': 'tak',
-            'mob_jest_strzelcem': 'nie',
-            'zdrowie_moba': '1',
-            'artefakt': 'tak'}
-
-print(przewiduj(drzewo, przyklad))
-print(drzewo)

main.py

@@ -9,7 +9,7 @@ from nn import *
 from astar import *
 import math
 import random
-
+from drzewo_decyzyjne import *
 
 class Game:
 
@@ -31,7 +31,7 @@ class Game:
         self.bfs = Bfs(self)
         self.nn = NeuralN()
         self.astar = Astar(self)
-
+        self.tree = Tree()
         self.cell_costs = [[1 for _ in range(TILE_SIZE)] for _ in range(TILE_SIZE)]
         self.obstacles = [[False for _ in range(TILE_SIZE)] for _ in range(TILE_SIZE)]
 
@@ -277,30 +277,7 @@ class Game:
             self.obstacles[self.najlepszaGeneracja[y+11][0]][self.najlepszaGeneracja[y+11][1]] = True
             self.bfs.wall_cells.append(self.bfs.get_cell_number(self.rock.x,self.rock.y))
   
-        """ to jest tak jak bylo zmieniam tylko pozycje elementow 
-        self.agent = Agent(self,1,1)
-        self.archer_ork = Archer_ork(self,10,10)
-        self.obstacles[10][10] = True
-        self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.archer_ork.x,self.archer_ork.y))
-        self.infantry_ork = Infantry_ork(self,10,4)
-        self.obstacles[10][4] = True
-        self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.infantry_ork.x,self.infantry_ork.y))
-       
-        self.sauron = Sauron(self, 1, 10)
-        self.obstacles[1][10] = True
-        self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.sauron.x,self.sauron.y))
-        self.flower = Health_flower(self, 8,2)
-
-        for y in range (2,5):
-            for x in range (2):
-                self.grass = Grass(self,x,y)
-                self.cell_costs[x][y] = 5
-
-        for y in range(5):
-            self.rock = Rocks(self,3,y)
-            self.obstacles[3][y] = True
-            self.bfs.wall_cells.append(self.bfs.get_cell_number(self.rock.x,self.rock.y))
-        """
+        
     def update(self):
         self.all_sprites.update()
 
@@ -327,21 +304,50 @@ class Game:
                     mob_image = self.sauron.image_path
                     prediction = self.prediction_road(x,y,mob_image)
                     prediction = "SAURON"
-                    while True:   #do poprawienia poprawne rozpoznawanie póki co nie będzie działać dobrze, program się będzie zawieszać
-                        if prediction == "SAURON" and self.agent.level < 3:
-                            x = self.archer_ork.x
-                            y = self.archer_ork.y
-                            goal = x//TILE_SIZE,y//TILE_SIZE
-                            mob_image = self.archer_ork.image_path
-                            prediction = self.prediction_road(x,y,mob_image)
-                            prediction = "ORK_ARCHER"
-                        elif prediction == "SAURON" and self.agent.level >= 3:
-                            self.obstacles[self.najlepszaGeneracja[3][0]][self.najlepszaGeneracja[3][1]] = False
-                            self.move_agent(self.astar.a_star(goal))
-
+                    while True:   #do poprawienia poprawne rozpoznawanie
+                        print("goal: ",goal)
+                        if prediction == "SAURON":
+                            if self.agent.level < self.sauron.level:
+                                lvl = 'nie'
+                            else:
+                                lvl = 'tak'
+                            przyklad = {'zdrowie_bohatera': '100',
+                'moc_bohatera': 'tak',
+                'moc_moba': 'tak',
+                'lvl_wiekszy_bohater': lvl,
+                'mob_jest_strzelcem': self.sauron.archer,
+                'zdrowie_moba': '50',
+                'artefakt': self.agent.artifact}
+                            decision = self.tree.tree(przyklad)
+                            print(decision)
+                            if decision == "walcz":
+                                self.obstacles[self.najlepszaGeneracja[3][0]][self.najlepszaGeneracja[3][1]] = False
+                                self.move_agent(self.astar.a_star(goal))
+                            else:
+                                x = self.archer_ork.x
+                                y = self.archer_ork.y
+                                goal = x//TILE_SIZE,y//TILE_SIZE
+                                mob_image = self.archer_ork.image_path
+                                prediction = self.prediction_road(x,y,mob_image)
+                                prediction = "ORK_ARCHER"
+                        
                         elif prediction == "ORK_INFANTRY":
-                            self.obstacles[self.najlepszaGeneracja[2][0]][self.najlepszaGeneracja[2][1]] = False
-                            self.move_agent(self.astar.a_star(goal))
+                            if self.agent.level < self.infantry_ork.level:
+                                lvl = 'nie'
+                            else:
+                                lvl = 'tak'
+                            przyklad = {'zdrowie_bohatera': '100',
+                'moc_bohatera': 'tak',
+                'moc_moba': 'tak',
+                'lvl_wiekszy_bohater': lvl,
+                'mob_jest_strzelcem': self.infantry_ork.archer,
+                'zdrowie_moba': '50',
+                'artefakt': self.agent.artifact}
+                            decision = self.tree.tree(przyklad)
+                            print(decision)
+                            if decision == "walcz":
+                                self.obstacles[self.najlepszaGeneracja[2][0]][self.najlepszaGeneracja[2][1]] = False
+                                self.move_agent(self.astar.a_star(goal))
                             if self.agent.current_health < self.agent.max_health:
                                 goal = (self.flower.x//TILE_SIZE, self.flower.y//TILE_SIZE)
                                 self.move_agent(self.astar.a_star(goal))
@@ -352,8 +358,24 @@ class Game:
                             prediction = self.prediction_road(x,y,mob_image)
                             prediction = "SAURON"
                         elif prediction == "ORK_ARCHER":
-                            self.obstacles[self.najlepszaGeneracja[1][0]][self.najlepszaGeneracja[1][1]] = False
-                            self.move_agent(self.astar.a_star(goal))
+                            if self.agent.level < self.archer_ork.level:
+                                lvl = 'nie'
+                            else:
+                                lvl = 'tak'
+                            przyklad = {'zdrowie_bohatera': '100',
+                'moc_bohatera': 'tak',
+                'moc_moba': 'tak',
+                'lvl_wiekszy_bohater': lvl,
+                'mob_jest_strzelcem': self.archer_ork.archer,
+                'zdrowie_moba': '50',
+                'artefakt': self.agent.artifact}
+                            decision = self.tree.tree(przyklad)
+                            print(decision)
+                            if decision == "walcz":
+                                self.obstacles[self.najlepszaGeneracja[1][0]][self.najlepszaGeneracja[1][1]] = False
+                               
+                                self.move_agent(self.astar.a_star(goal))
+                         
                             if self.agent.current_health < self.agent.max_health:
                                 goal = (self.flower.x//TILE_SIZE, self.flower.y//TILE_SIZE)
                                 self.move_agent(self.astar.a_star(goal))
@@ -387,7 +409,7 @@ class Game:
         print("PATH:::::",path)
         for cell_to_move in path:
             x, y = self.bfs.get_coordinates(cell_to_move)
-            print("Ruch do kratki : ", cell_to_move, " z x: ", x, ", y: ", y, ",  agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
+            #print("Ruch do kratki : ", cell_to_move, " z x: ", x, ", y: ", y, ",  agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
             if(self.bfs.get_cell_number(self.agent.rect.x,self.agent.rect.y)!=cell_to_move):
                 if x > self.agent.rect.x:
                     self.agent.direction = 0
@@ -414,7 +436,7 @@ class Game:
             self.update()
             self.map()
 
-            print("Polozenie agenta: agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
+            #print("Polozenie agenta: agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
             self.clock.tick(2)
 
     def map(self): # tworzenie mapy

mobs.py

@@ -29,6 +29,8 @@ class Archer_ork(pygame.sprite.Sprite):
         self.level = 1
         self.damage = 50*self.level
         self.health = 50
+
+        self.archer = 'tak'
         
 class Infantry_ork(pygame.sprite.Sprite):
 
@@ -59,6 +61,8 @@ class Infantry_ork(pygame.sprite.Sprite):
         self.damage = 50*self.level
         self.health = 100
 
+        self.archer = 'nie'
+
 
 class Sauron(pygame.sprite.Sprite):
 
@@ -87,4 +91,6 @@ class Sauron(pygame.sprite.Sprite):
 
         self.level = 3
         self.damage = 50*self.level
-        self.health = 150
+        self.health = 150
+
+        self.archer = 'nie'