drzewo generowane poza main

.vscode/settings.json

@@ -0,0 +1,5 @@
+{
+    "python.analysis.extraPaths": [
+        "./DecisionTree"
+    ]
+}

DecisionTree/drzewo_decyzyjne.py

@@ -1,87 +0,0 @@
-import graphviz
-import pandas as pd
-from sklearn.tree import DecisionTreeClassifier
-from sklearn.tree import export_graphviz
-
-# def make_tree():
-#     plikZPrzecinkami = open("training_data.txt", 'w')
-
-#     with open('DecisionTree/200permutations_table.txt', 'r') as plik:
-#         for linia in plik:
-#             liczby = linia.strip()
-#             wiersz = ""
-#             licznik = 0
-#             for liczba in liczby:
-#                 wiersz += liczba
-#                 wiersz += ";"
-#             wiersz = wiersz[:-1]
-#             wiersz += '\n'
-#             plikZPrzecinkami.write(wiersz)
-
-#     plikZPrzecinkami.close()
-
-#     x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
-#                     names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
-#     y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
-#     # X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)  # 70% treningowe and 30% testowe
-
-#     # Tworzenie instancji klasyfikatora ID3
-#     clf = DecisionTreeClassifier(criterion='entropy')
-
-#     # Trenowanie klasyfikatora
-#     clf.fit(x.values, y.values)
-#     # clf.fit(X_train, y_train)
-#     return clf
-
-plikZPrzecinkami = open("DecisionTree/training_data.txt", 'w')
-
-with open('DecisionTree/200permutations_table.txt', 'r') as plik:
-    for linia in plik:
-        liczby = linia.strip()
-        wiersz = ""
-        licznik = 0
-        for liczba in liczby:
-            wiersz += liczba
-            wiersz += ";"
-        wiersz = wiersz[:-1]
-        wiersz += '\n'
-        plikZPrzecinkami.write(wiersz)
-
-plikZPrzecinkami.close()
-
-x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
-                names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
-y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
-# X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)  # 70% treningowe and 30% testowe
-
-# Tworzenie instancji klasyfikatora ID3
-clf = DecisionTreeClassifier(criterion='entropy')
-
-# Trenowanie klasyfikatora
-clf.fit(x.values, y.values)
-# clf.fit(X_train, y_train)
-
-
-# Predykcja na nowych danych
-new_data = [[2, 2, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]]
-predictions = clf.predict(new_data)
-# y_pred = clf.predict(X_test)
-
-
-print(predictions)
-# print("Accuracy:", clf.score(new_data, predictions))
-# print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
-
-
-# Wygenerowanie pliku .dot reprezentującego drzewo
-dot_data = export_graphviz(clf, out_file=None, feature_names=list(x.columns), class_names=['0', '1'], filled=True,
-                           rounded=True)
-
-# Tworzenie obiektu graphviz z pliku .dot
-graph = graphviz.Source(dot_data)
-
-# Wyświetlanie drzewa
-graph.view()
-
-z = pd.concat([x, y], axis=1)
-z.to_csv('dane.csv', index=False)

drzewo_decyzyjne.py

@@ -0,0 +1,58 @@
+import graphviz
+import pandas as pd
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.tree import export_graphviz
+
+def make_tree():
+    plikZPrzecinkami = open("training_data.txt", 'w')
+
+    with open('DecisionTree/200permutations_table.txt', 'r') as plik:
+        for linia in plik:
+            liczby = linia.strip()
+            wiersz = ""
+            licznik = 0
+            for liczba in liczby:
+                wiersz += liczba
+                wiersz += ";"
+            wiersz = wiersz[:-1]
+            wiersz += '\n'
+            plikZPrzecinkami.write(wiersz)
+
+    plikZPrzecinkami.close()
+
+    x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
+                    names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
+    y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
+    # X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)  # 70% treningowe and 30% testowe
+
+    # Tworzenie instancji klasyfikatora ID3
+    clf = DecisionTreeClassifier(criterion='entropy')
+
+    # Trenowanie klasyfikatora
+    clf.fit(x.values, y.values)
+    # clf.fit(X_train, y_train)
+    return clf
+
+# # Predykcja na nowych danych
+# new_data = [[2, 2, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]]
+# predictions = clf.predict(new_data)
+# # y_pred = clf.predict(X_test)
+
+
+# print(predictions)
+# # print("Accuracy:", clf.score(new_data, predictions))
+# # print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
+
+
+# Wygenerowanie pliku .dot reprezentującego drzewo
+# dot_data = export_graphviz(clf, out_file=None, feature_names=list(x.columns), class_names=['0', '1'], filled=True,
+#                            rounded=True)
+
+# # Tworzenie obiektu graphviz z pliku .dot
+# graph = graphviz.Source(dot_data)
+
+# # Wyświetlanie drzewa
+# graph.view()
+
+# z = pd.concat([x, y], axis=1)
+# z.to_csv('dane.csv', index=False)

ekran.py

@@ -1,10 +1,7 @@
 import pygame
-
 from plansza import x1, y1, x2, y2, x3, y3, x4, y4, a_pix, b_pix
 from regal import Regal, obliczPixeleNaPodstawieKratek
-# import wozek
 from packageList import *
-# from paczka import Paczka
 
 EKRAN_SZEROKOSC = 770
 EKRAN_WYSOKOSC = 770
@@ -15,9 +12,6 @@ pygame.display.set_caption("Inteligentny wozek")
 icon = pygame.image.load('images/icon.png')
 pygame.display.set_icon(icon)
 
-# lista_paczek = packageList.zainicjuj_liste_paczek(a_pix, b_pix)
-
-#lista_paczek = listOfPackages()
 lista_paczek = []
 lista_paczek_na_regalach = []
         
@@ -52,11 +46,6 @@ def zwroc_regaly_kategoria(kategoria):
             lista_reg.append(reg)
     return lista_reg
 
-# def zwroc_regaly_wspolrzedne(x_reg, y_reg):
-#     for regal in lista_regalow:
-#         if regal.wiersz == obliczPixeleNaPodstawieKratek(x_reg) and regal.kolumna == obliczPixeleNaPodstawieKratek(y_reg):
-#             return regal 
-
 def narysuj_siatke():
     blockSize = 70  # Set the size of the grid block
     WHITE = (200, 200, 200)
@@ -94,13 +83,16 @@ def sprawdz_ktora_kolumna(y):
 
 
 def narysuj_paczki(wozek):
-    #if wozek.ln == 0:
-        #for paczka in lista_paczek.list:
-    #if len(lista_paczek_na_regalach) == 0:
     for paczka in lista_paczek:
         paczka.narysuj(paczka.x, paczka.y, screen)
 
 def narysuj_paczke_na_regale():
     for paczka in lista_paczek_na_regalach:
         if paczka.is_in_move is False:
-            paczka.narysuj(paczka.x, paczka.y, screen)
+            paczka.narysuj(paczka.x, paczka.y, screen)
+
+def dodaj_paczki_na_rampe(p1, p2):
+    lista_paczek.append(p1)
+    lista_paczek.append(p2)
+    p1.update_position(a_pix, b_pix)
+    p2.update_position(a_pix, b_pix)

main.py

@@ -7,6 +7,7 @@ import ekran
 from grid import GridCellType, SearchGrid
 from sklearn.tree import DecisionTreeClassifier
 import pandas as pd
+import drzewo_decyzyjne
 
 from plansza import a_pix, b_pix
 pygame.init()
@@ -14,15 +15,11 @@ pygame.init()
 
 def main():
     wozek = Wozek()
-
     p1 = Paczka('duzy', 12, 'narzedzia', False, True, False, any, any, any, any, any)
     p2 = Paczka('maly', 1, 'ogród', False, True, False, any, any, any, any, any)
-    ekran.lista_paczek.append(p1)
+    ekran.dodaj_paczki_na_rampe(p1, p2)
-    ekran.lista_paczek.append(p2)
-    p1.update_position(a_pix, b_pix)
-    p2.update_position(a_pix, b_pix)
-
     grid_points = SearchGrid()
+    drzewo = drzewo_decyzyjne.make_tree()
 
     while True:
         for event in pygame.event.get():
@@ -52,34 +49,14 @@ def main():
 
                             array, reg = przenoszona_paczka.tablica_do_drzewa(przenoszona_paczka.kategoria)
 
-                            plikZPrzecinkami = open("DecisionTree/training_data.txt", 'w')
+                            predictions = drzewo.predict([array])
 
-                            with open('DecisionTree/200permutations_table.txt', 'r') as plik:
-                                for linia in plik:
-                                    liczby = linia.strip()
-                                    wiersz = ""
-                                    licznik = 0
-                                    for liczba in liczby:
-                                        wiersz += liczba
-                                        wiersz += ";"
-                                    wiersz = wiersz[:-1]
-                                    wiersz += '\n'
-                                    plikZPrzecinkami.write(wiersz)
-
-                            plikZPrzecinkami.close()
-                            x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
-                            names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
-                            y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
-                            clf = DecisionTreeClassifier(criterion='entropy')
-                            clf.fit(x.values, y.values)
-
-                            predictions = clf.predict([array])
                             if predictions == 0:
                                 print('odklada na dolna polke!')
                             else:
                                 print('odklada na gorna polke!')
 
-                            docelowy_stan = wyszukiwanie.Stan(reg.numerWiersza * 70, reg.numerKolumny * 70, 1)  # x1 i y1 bo to są regału kategorii ogród
+                            docelowy_stan = wyszukiwanie.Stan(reg.numerWiersza * 70, reg.numerKolumny * 70, 1)
                             wezel = wyszukiwanie.wyszukiwanie_a_star(wozek.obecnyStan, docelowy_stan, grid_points)
                             sciezka = wyszukiwanie.znajdz_sciezke(wezel)
                             wozek.przemiesc_wozek_po_sciezce(sciezka)

paczka.py

@@ -89,36 +89,36 @@ class Paczka(pygame.sprite.Sprite):
 
         # piorytet
         if self.priorytet is True:
-            tablica.append(0)
+            tablica.append(1)
-        else: tablica.append(1)
+        else: tablica.append(0)
 
         # kształt
         if self.ksztalt is True:
-            tablica.append(0)
+            tablica.append(1)
-        else: tablica.append(1)           
+        else: tablica.append(0)           
 
         # kruchość
         if self.kruchosc is True:
-            tablica.append(0)
+            tablica.append(1)
-        else: tablica.append(1)
+        else: tablica.append(0)
 
         reg = ekran.zwroc_regaly_kategoria(kategoria)
         # czy dolna wolna
         if reg[0].is_dolna_free() is True:
-            tablica.append(0)
-        else: 
             tablica.append(1)
+        else: 
+            tablica.append(0)
 
         #czy górna wolna
         if reg[0].is_dolna_free() is True:
-            tablica.append(0)
-        else: 
             tablica.append(1)
+        else: 
+            tablica.append(0)
         
         # czy na górnej więcej miejsca
-        if reg[0].is_dolna_free() is True:
+        if reg[0].czy_na_gornej_wiecej_miejsca() is True:
-            tablica.append(0)
-        else: 
             tablica.append(1)
+        else: 
+            tablica.append(0)
 
         return tablica, reg[0]

training_data.txt

@@ -0,0 +1,200 @@
+1;0;0;1;0;0;1;0
+0;0;1;0;1;1;0;1
+2;0;1;1;0;0;0;1
+2;2;1;0;1;1;1;0
+1;0;0;1;0;0;0;1
+2;1;0;0;1;1;0;0
+1;0;0;0;1;0;0;1
+1;1;0;1;0;0;0;1
+0;0;1;0;1;1;1;0
+0;2;0;0;0;1;1;0
+0;0;1;0;0;1;0;1
+0;0;0;0;0;1;1;0
+0;2;1;0;1;1;0;0
+2;0;0;0;1;0;0;0
+2;1;0;1;0;1;1;1
+0;1;1;0;1;1;1;0
+0;2;0;1;1;1;0;1
+1;2;1;0;1;1;0;0
+0;0;1;1;1;1;0;1
+0;0;0;1;1;0;0;1
+1;1;1;1;1;0;1;0
+1;2;1;0;0;1;1;1
+2;2;1;1;0;1;1;1
+1;2;1;0;1;1;0;1
+0;1;0;0;0;1;0;1
+1;1;0;0;0;1;0;1
+0;1;0;0;0;1;1;1
+2;1;0;1;0;1;0;1
+0;1;1;0;1;1;0;0
+2;1;0;1;0;1;1;0
+1;2;1;0;0;0;1;1
+1;2;0;1;0;1;1;1
+0;2;0;1;0;1;0;1
+2;1;1;0;1;1;1;1
+0;2;0;1;0;0;0;1
+0;1;1;0;0;1;1;0
+2;2;1;0;0;0;1;1
+1;0;0;0;0;0;1;0
+0;0;1;1;0;1;0;0
+2;2;0;1;1;1;0;0
+1;2;1;1;0;0;0;1
+1;2;0;1;0;0;1;1
+0;1;0;1;1;1;1;0
+0;1;0;0;1;1;0;0
+0;1;0;1;1;0;0;0
+1;1;1;0;1;1;0;1
+1;1;1;1;0;1;1;0
+2;1;1;1;0;1;1;0
+2;2;0;0;1;1;0;0
+1;0;0;1;0;1;0;1
+2;1;1;1;1;0;1;0
+0;0;0;0;1;1;0;0
+2;1;1;1;0;1;0;1
+1;2;1;1;1;0;1;1
+0;2;0;0;1;1;1;1
+2;1;0;1;1;0;0;0
+0;2;1;1;1;0;1;1
+1;2;0;1;1;1;1;0
+0;2;0;0;0;1;0;1
+1;2;0;0;0;1;0;0
+2;0;0;1;0;1;1;1
+2;1;1;0;0;0;1;1
+0;1;1;1;0;1;0;0
+2;1;0;1;1;1;0;0
+0;2;0;1;0;0;0;0
+2;1;0;0;1;0;0;1
+1;1;0;0;1;1;0;0
+2;0;0;1;0;0;1;1
+2;0;1;1;1;0;1;1
+2;2;0;1;1;0;0;0
+0;1;0;1;1;1;0;1
+1;0;1;1;1;0;0;0
+2;0;0;1;1;1;1;1
+1;0;0;0;0;0;0;1
+2;1;1;0;0;0;0;1
+0;0;0;0;1;1;0;1
+0;1;0;1;0;0;0;1
+2;2;0;1;0;0;0;0
+0;2;1;1;1;1;0;1
+2;2;1;0;0;1;1;0
+1;2;0;0;1;1;1;0
+0;1;1;1;0;0;0;1
+1;1;1;0;1;0;0;0
+2;0;1;1;0;0;1;1
+2;0;1;0;1;0;1;0
+2;2;0;0;0;1;1;0
+1;1;0;1;1;0;1;1
+2;0;0;0;0;0;1;1
+1;2;0;0;1;1;0;1
+1;2;1;1;0;0;0;0
+0;0;1;1;1;1;1;0
+0;2;1;1;0;1;0;0
+2;1;1;0;0;0;1;0
+1;0;0;1;1;0;0;0
+2;2;0;1;1;1;0;1
+2;0;0;1;1;1;0;0
+0;2;1;0;0;0;0;0
+1;2;1;1;1;0;0;1
+0;0;0;0;0;1;1;1
+2;2;1;1;1;0;1;1
+0;1;0;0;1;0;1;0
+2;1;1;0;1;1;0;0
+0;1;1;1;1;1;1;1
+1;2;1;1;1;0;1;0
+2;0;1;1;1;1;1;0
+1;0;1;1;0;0;1;0
+0;2;0;0;1;0;0;1
+2;2;0;0;0;1;0;0
+0;2;0;0;1;1;0;0
+0;1;0;0;0;0;1;1
+1;0;0;0;0;1;0;1
+2;1;0;0;0;0;1;0
+0;1;1;0;0;1;0;0
+1;0;1;0;1;0;1;0
+2;0;0;0;1;1;0;0
+0;0;0;0;0;0;0;0
+0;0;1;0;1;0;0;0
+1;0;1;0;0;0;0;0
+0;2;1;0;0;0;0;1
+2;0;0;1;1;1;0;1
+0;2;0;1;1;1;1;0
+0;2;1;1;1;1;1;1
+1;2;0;1;0;1;1;0
+0;2;1;0;0;1;0;0
+2;0;1;1;1;1;1;1
+0;0;0;1;1;1;1;1
+1;2;0;1;1;0;0;0
+1;2;0;1;1;0;0;1
+2;2;0;1;0;0;1;0
+2;2;0;0;0;0;1;0
+0;0;0;1;0;0;1;0
+1;0;1;0;1;0;0;0
+0;2;0;0;0;0;0;0
+2;0;1;0;1;1;1;1
+0;2;1;0;0;0;1;1
+0;2;1;0;1;1;1;1
+2;2;1;0;1;0;1;0
+1;1;1;1;1;1;1;1
+0;1;1;0;1;0;0;0
+2;1;1;0;0;1;1;1
+0;0;1;0;1;1;1;1
+0;1;1;0;1;0;1;0
+2;0;0;1;0;0;1;0
+1;1;0;1;1;1;1;0
+2;0;0;1;1;1;1;0
+0;0;1;0;0;1;1;0
+1;0;1;0;1;1;1;1
+0;1;0;0;0;0;0;1
+0;2;0;1;1;0;0;1
+2;1;1;0;1;0;1;1
+1;1;1;1;1;0;1;1
+1;0;1;1;0;0;1;1
+1;0;0;1;1;0;0;1
+2;1;1;1;0;0;1;0
+1;0;0;0;0;0;0;0
+0;0;0;1;1;1;1;0
+1;0;1;1;0;0;0;1
+2;1;1;1;1;0;1;1
+1;2;0;1;0;1;0;1
+1;1;0;0;0;1;1;0
+2;2;1;0;1;1;0;1
+0;0;0;0;0;0;1;0
+0;2;0;0;0;1;1;1
+2;1;0;0;0;0;1;1
+0;0;0;1;1;1;0;0
+1;0;1;0;0;1;1;0
+2;0;0;0;1;1;1;1
+1;2;1;0;0;0;0;1
+2;2;0;0;0;1;0;1
+0;1;1;0;0;0;1;0
+0;2;0;0;1;0;1;0
+1;1;0;0;1;1;1;1
+0;0;0;1;0;0;1;1
+0;1;1;0;0;1;1;1
+2;2;0;1;1;0;1;0
+1;0;1;0;1;0;1;1
+1;1;0;1;0;0;1;1
+2;0;1;1;0;0;1;0
+2;0;1;0;0;0;1;0
+1;1;1;1;0;1;1;1
+2;1;1;0;1;0;0;0
+0;2;0;1;1;0;0;0
+1;2;1;1;0;1;0;0
+2;1;1;1;1;1;0;1
+0;2;0;1;0;1;1;1
+0;2;1;0;1;0;0;1
+0;1;1;0;0;0;1;1
+1;0;0;1;1;0;1;1
+2;2;1;1;0;0;0;0
+0;1;1;0;0;0;0;0
+2;0;1;1;0;1;0;0
+0;1;1;0;0;0;0;1
+0;0;1;1;1;0;1;0
+0;2;0;0;0;0;1;0
+2;0;0;1;0;1;1;0
+0;0;1;0;1;0;1;1
+2;2;0;0;1;0;1;1
+2;2;0;1;0;0;0;1
+2;2;0;1;0;1;0;1
+1;2;1;0;0;1;0;1