GKDecisionTree

本文介绍了GKDecisionTree的基本概念及使用方法,包括属性、分支和行动等元素,以及如何手动定义或通过示例数据自动学习决策树。还提供了创建决策树的方法和评估决策树以作出决定的过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

GKDecisionTree

一组数据结构,用于模拟一系列具体问题,可能的答案以及一系列答案中所采取的行动。

概括

你可以通过指定问题,答案和操作手动定义决策树,你也可以允许GKDecisionTree类使用示例数据来自动学习预测模型。一个DecisionTree有几个元素:

属性Attributes代表要回答的个别问题或要做出的选择。

分支(Branches)是每个属性提出的问题或选择的可能答案。

行动(Actions)是树决策过程的最终结果。 来自属性的每个分支都会导向另一个属性或一个动作。

当使用GKDecisionTree类时,attributes和actions可能是你应用或游戏中任何一个对象,你可以使用谓词或影响随机决策的权重来定义特定答案值的分支。比如,一个策略游戏可能会使用DecisionTree根据关于正在进行的比赛的几个标准来选择角色应该在轮到时做些什么。在这种情况下:

• 对于attributes,你可能需要一些字符串strings(非公开)来代表这些标准,比如“Type”(什么样的敌人),“HP”(敌人的血量),“Special”(玩家的特殊技能)。

• 对于branches,你需要为每一个attribute使用适当类型,“Type”可能需要一个所有可能存在的敌人类型分支,但对于“HP”可以使用一个谓词来确定敌人的血量高于或低于一个阈值。

• 对于actions,你可以设置一个枚举值来表示玩家可以攻击的各种方式(比如拍打,抓取或抱住)。或者,你可以使用自定义类的实例来表示可用的道具或法术。

图1 展示了基于上述示例attributes,branches和actions可能的树结构。

decision tree示例

图1 decision tree示例

创建一个DecisionTree

GKDecisionTree类提供了两个创建方法。

手动定义一个DecisionTree,你要定一个测试的每一个attribute(或者是需要询问的问题),每个attribute可能的branches(或者是问题的答案),每个完整的一系列attribute测试和branches结果的action(或最终结果)。要手动创建一个树,通过initWithAttribute: 方法创建去定义第一个需要询问的问题,然后在新树的rootNode对象上使用GKDecisionNode方法来定义分支及其导致的子节点,并附带attribute或action值。

在一个学习型的决策树中,你要提供一组attribute(或问题);一组示例items,每一个都表示一组attribute值(或问题的答案);每个例子最终的action。然后,GKDecisionTree类自动推断一个决策树结构,当提供与您的一个示例匹配或相似的一组attribute值时,会预测相应的操作。使用initWithExamples:actions:attributes: 创建方法创建学习型决策树。表1显示了学习决策树的样本输入(基于图1所示相同的假设游戏)。

示例attribute值和action

表1 示例attribute值和action


创建任何一种决策树后,您可以使用继承的description属性来检查其结构。

做出决定

在创建完决策树后,使用findActionForAnswers: 方法来评估和选择一个action,当你调用这个方法,你提供了一组输入(attribute的值或者问题的答案),决策树会根据与每个输入值对应的分支以产生一个action。

Tip

使用一组具有可能性的值来定义attribute时,定义你自己的枚举类型以指定可能的值,然后在使用GKDecisionNode的createBranchWithValue:attribute: 方法或initWithExamples:actions:attributes: 构建树时和在findActionForAnswers: 方法中传递一组attribute值时使用枚举值

以下示例代码展示了图1和表1类似的树:

NSDictionary *answers = @{
    @"Type?" : @(MyEnemyTypeElectric), // an enum value
    @"HP?" : @20,
    @"Special?" : @YES,
};
NSString *action = [myDecisionTree findActionForAnswers:answers];

Topics

创建手动定义的决策树(Creating a Manually Defined Decision Tree)

- initWithAttribute:

创建一个以指定的初始属性为测试的决策树。

rootNode

在决策树根的决策节点,代表测试的第一个属性。

创建学习型决策树(Creating a Learned Decision Tree)

- initWithExamples:actions:attributes:

使用指定的属性,示例项目和操作创建自动学习的决策树。

评估决策树并作出决定(Evaluating a Tree to Make Decisions)

- findActionForAnswers:

在与每个指定答案对应的分支之后搜索决策树,并返回生成的动作对象。

randomSource

评估随机分支的树的部分时使用的随机化器。

初始化(Initializers)

- initWithURL:error:

实例方法(Instance Methods)

- exportToURL:error:

关系

继承

NSObject

默认遵守

NSSecureCoding


该合成数据集模拟了世界领先的运动服装和鞋类品牌之一耐克的零售和在线销售交易。它故意填充了凌乱、未清理的记录,以复制真实世界的业务数据,非常适合练习数据清理、探索性数据分析 (EDA) 以及构建仪表板或项目组合项目。 有什么超过 2,500 条交易记录,包含: 多个产品线(跑步、篮球、生活方式、训练、足球) 特定性别的销售(男性、女性、儿童) 零售店和在线渠道的销售额 常见的数据问题,例如:空值、地区拼写错误、错误的数据类型、数值列中的负值、日期格式不一致(例如,2023/07/21、21-07-2023 等)、折扣> 100%。 列描述 Order_ID ----交易/订单 ID(一些重复条目) Gender_Category------- 买家细分:男士、女士或儿童 Product_Line------ 商品类型:跑步、篮球等 Product_Name -------售出的特定商品(例如,Air Force 1、Pegasus Turbo) 尺寸-----商品尺寸(例如 7、M、L - 包括缺失/不一致) Units_Sold-------- 销售数量(可以是负数或空数) 建议零售价---------- 最高零售价(有些为零或零) Discount_Applied------ 销售折扣(有些超过 100%) 收入-------折扣后的最终金额(有些计算错误) Order_Date --------交易日期(多种格式和空) Sales_Channel -----------在线或零售 区域-------------印度城市(包括“德里”、“孟加罗尔”等拼写错误) 利润 --------------赚取的利润(可能是不切实际的或负的)
内容概要:本文详细介绍了果蔬采摘机器人末端执行器的柔顺抓取力控制方法,特别是基于广义比例积分(GPI)的力矩控制技术。文章首先概述了该方法的核心原理,即通过建模电机驱动的末端执行器,推导出电机输入电压与负载力矩的关系,并利用积分重构器设计GPI力矩反馈控制器,将力偏差转化为电机输入电压控制。相比传统PI控制,GPI方法无需对力矩跟踪误差求导,避免了系统延时和噪声问题。文章还提供了详细的Python代码实现,包括系统建模、GPI控制器设计、仿真比较和性能指标计算。实验结果表明,GPI控制方法在力矩跟踪误差、采摘完好率等方面表现出显著优势。 适合人群:具备一定编程基础,尤其是对机器人控制、自动化和机电一体化领域有兴趣的研发人员和技术爱好者。 使用场景及目标:①适用于果蔬采摘机器人或其他需要柔顺力控制的机器人应用;②通过仿真和实物实验,验证GPI控制在力矩跟踪、控制平稳性和采摘完好率等方面的优势;③帮助研究人员理解GPI控制器的设计原理及其相对于传统PI控制的改进之处。 其他说明:文章不仅提供了完整的理论推导和代码实现,还深入探讨了GPI控制器的关键技术和工程实现细节,如积分重构技术、四阶误差动态补偿、极点配置方法等。此外,文中还包含了实物实验结果统计和性能对比分析,进一步验证了GPI控制的实际应用价值。对于希望深入了解果蔬采摘机器人末端执行器控制技术的研究人员来说,这是一份非常有价值的参考资料。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值