From 9c398488e5a3193c18ad416a6a2a818bad4e2d5e Mon Sep 17 00:00:00 2001
From: Pmik13 <patryk.mike18@gmail.com>
Date: Sun, 12 May 2024 21:10:52 +0200
Subject: [PATCH] decisiontree

---
 dane.csv        | 21 +++++++++++++++++++++
 decisiontree.py | 28 ++++++++++++++++++++++++++++
 2 files changed, 49 insertions(+)

diff --git a/dane.csv b/dane.csv
index e69de29bb..200477d03 100644
--- a/dane.csv
+++ b/dane.csv
@@ -0,0 +1,21 @@
+rodzaj_gleby,wilgotnosc_gleby,temperatura_powietrza,wilgotnosc_powietrza,rodzaj_rosliny,nazwa_rosliny,pora_roku,pora_dnia,podlac
+piasek,sucha,25,niska,drzewa,modrzew,jesien,południe,tak
+glina,umiarkowana,20,średnia,kwiaty,róża,wiosna,ranek,tak
+piasek,duża,30,wysoka,warzywa,pomidor,lato,południe,tak
+piasek,umiarkowana,22,średnia,krzewy,jeżyna,lato,południe,tak
+glina,mała,18,niska,drzewa,dąb,jesien,ranek,nie
+glina,sucha,24,średnia,kwiaty,tulipan,wiosna,południe,tak
+piasek,duża,28,wysoka,warzywa,ogórek,lato,południe,tak
+glina,umiarkowana,19,średnia,krzewy,porzeczka,lato,południe,tak
+piasek,umiarkowana,26,średnia,drzewa,jabłoń,lato,południe,tak
+piasek,sucha,23,średnia,warzywa,papryka,lato,południe,tak
+glina,mała,17,niska,kwiaty,storczyk,wiosna,ranek,nie
+piasek,sucha,27,wysoka,drzewa,grab,jesien,południe,tak
+glina,umiarkowana,21,średnia,krzewy,jagoda,lato,południe,tak
+piasek,duża,29,średnia,warzywa,cukinia,lato,południe,tak
+glina,mała,16,niska,kwiaty,fiołek,wiosna,południe,nie
+piasek,sucha,26,średnia,drzewa,sosna,jesien,południe,tak
+glina,umiarkowana,20,średnia,krzewy,agrest,lato,ranek,tak
+piasek,duża,31,wysoka,warzywa,kapusta,lato,południe,tak
+piasek,umiarkowana,24,średnia,krzewy,czarny bez,lato,południe,tak
+glina,sucha,22,niska,drzewa,jesion,jesien,południe,tak
diff --git a/decisiontree.py b/decisiontree.py
index e69de29bb..6ea9bb42b 100644
--- a/decisiontree.py
+++ b/decisiontree.py
@@ -0,0 +1,28 @@
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeClassifier, plot_tree
+import matplotlib.pyplot as plt
+import pandas as pd
+
+
+data = pd.read_csv("dane.csv")
+
+
+# Wczytanie danych
+X = data.drop(columns=["podlac"])
+X = pd.get_dummies(X)
+y = data["podlac"]
+# Podział danych na zbiór treningowy i testowy
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Inicjalizacja i dopasowanie modelu drzewa decyzyjnego
+clf = DecisionTreeClassifier()
+clf.fit(X_train, y_train)
+
+
+accuracy = clf.score(X_test, y_test)
+print("Accuracy:", accuracy)
+
+# Wyświetlenie drzewa decyzyjnego
+plt.figure(figsize=(8, 5))
+plot_tree(clf, feature_names=X.columns, class_names=["Nie podlać", "Podlać"], filled=True)
+plt.show()