Kontrolni test: veštačka inteligencija

# Kontrolni test, zadatak 1: k-NN bez biblioteka
# Podaci: (sati učenja nedeljno, sati spavanja po noći) -> da li je učenik položio test
import math

ucenje = [
    ((2, 6), "nije"), ((1, 7), "nije"), ((3, 5), "nije"),
    ((2, 8), "nije"), ((4, 6), "nije"),
    ((6, 8), "jeste"), ((7, 7), "jeste"), ((5, 9), "jeste"),
    ((8, 8), "jeste"), ((6, 7), "jeste"),
]
provera = [((3, 7), "nije"), ((7, 9), "jeste"),
           ((5, 6), "jeste"), ((1, 9), "nije")]


def rastojanje(a, b):
    """Euklidsko rastojanje između dve tačke."""
    return math.sqrt((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2)


def predvidi(tacka, k=3):
    """Vrati odgovor koji ima većina od k najbližih primera."""
    najblizi = sorted(ucenje, key=lambda p: rastojanje(tacka, p[0]))[:k]
    glasovi = {}
    for _, odgovor in najblizi:
        glasovi[odgovor] = glasovi.get(odgovor, 0) + 1
    return max(glasovi, key=glasovi.get)


tacno = 0
for tacka, stvarno in provera:
    p = predvidi(tacka)
    print(tacka, "predviđeno:", p, "| stvarno:", stvarno)
    if p == stvarno:
        tacno += 1
print("Tačnost:", tacno, "od", len(provera))

Ispis programa:

(3, 7) predviđeno: nije | stvarno: nije
(7, 9) predviđeno: jeste | stvarno: jeste
(5, 6) predviđeno: nije | stvarno: jeste
(1, 9) predviđeno: nije | stvarno: nije
Tačnost: 3 od 4

Odgovor na pitanje: model greši za (5, 6). Među tri najbliža primera dva su „nije“ ((4, 6) i (3, 5)), a samo jedan „jeste“ ((6, 7)), pa većina kaže „nije“. Tačka je na granici između grupa, a primera za učenje je malo – sa više podataka ili drugačijim k rezultat bi mogao da bude drugačiji.

# Kontrolni test, zadatak 2: stablo odlučivanja za učionicu
from sklearn.tree import DecisionTreeClassifier, export_text

# (temperatura u °C, vlažnost u %) -> stanje učionice
X = [[17.5, 50], [18.2, 45], [19.0, 60], [20.5, 48], [21.0, 52], [22.3, 47],
     [23.0, 55], [21.8, 74], [22.5, 78], [20.9, 80], [25.2, 50], [26.8, 45], [27.5, 60]]
y = ["hladno", "hladno", "hladno", "prijatno", "prijatno", "prijatno",
     "prijatno", "zagušljivo", "zagušljivo", "zagušljivo", "toplo", "toplo", "toplo"]

model = DecisionTreeClassifier(max_depth=3, random_state=0)   # malo stablo – lako se čita
model.fit(X, y)
print(export_text(model, feature_names=["temperatura", "vlaznost"]))

for merenje in [[19.5, 50], [22.0, 76], [26.0, 40]]:
    print(merenje, "->", model.predict([merenje])[0])

Ispis programa:

|--- vlaznost <= 67.00
|   |--- temperatura <= 19.75
|   |   |--- class: hladno
|   |--- temperatura >  19.75
|   |   |--- temperatura <= 24.10
|   |   |   |--- class: prijatno
|   |   |--- temperatura >  24.10
|   |   |   |--- class: toplo
|--- vlaznost >  67.00
|   |--- class: zagušljivo

[19.5, 50] -> hladno
[22.0, 76] -> zagušljivo
[26.0, 40] -> toplo

Isto stablo, prepisano kao funkcija:

# Kontrolni test, zadatak 2b: stablo prepisano kao obična funkcija (if – else)
def stanje(temperatura, vlaznost):
    if vlaznost <= 67:
        if temperatura <= 19.75:
            return "hladno"
        elif temperatura <= 24.1:
            return "prijatno"
        else:
            return "toplo"
    else:
        return "zagušljivo"


print(stanje(19.5, 50), stanje(22.0, 76), stanje(26.0, 40))

Ispis programa:

hladno zagušljivo toplo

Varijanta za ESP32 (C++):

// Kontrolni test, zadatak 2b (varijanta za ESP32): ista pravila kao C++ funkcija
const char* stanje(float temperatura, float vlaznost) {
  if (vlaznost <= 67) {
    if (temperatura <= 19.75) return "hladno";
    else if (temperatura <= 24.1) return "prijatno";
    else return "toplo";
  }
  return "zagušljivo";
}

Provera: funkcija daje isti odgovor kao naučeni model na 3 250 merenja (temperature od 15 do 30 °C, vlažnost od 30 do 94 %).

Odgovor na pitanje: stablo ima samo nekoliko poređenja, pa staje u malu memoriju ESP32 i radi trenutno; čovek može da ga pročita i proveri. Velika neuronska mreža ima hiljade težina i traži mnogo više memorije i računanja (vidi TinyML).