分类器预测发生的活动

Question

我在这里有多个来自Kaggle的数据集。有多个csv文件，每个csv文件都是专门为坐，站，走，跑等制作的。数据来自诸如加速度计和陀螺仪之类的传感器。数据集中的值位于x，y和z等轴上。

样本数据

这是慢跑的示例数据集。现在，我需要在程序中进行分类，以便程序可以检测自身数据是否是慢跑，坐着，站立等。我想将所有数据集混合到一个csv文件中，然后将其上传到我的webapge中，然后我希望javascript代码开始检测特定的行是否是坐着，站着，慢跑等。我不需要任何代码帮助，但是我只需要一些解释或一种开始对其进行编码的方法。我如何开始制作此类分类器？我知道这是一个广泛的问题，但我想我已经尽力以最好的方式来解释自己。一旦我的程序检测到具有特定活动的每一行，它将分别计算所有活动，然后以表格形式在网页中显示。

Answer 1

为了正确回答您的问题，了解哪个是您对机器学习的理解和经验会非常有帮助。

如果您是初学者，我建议尝试运行并了解一些可以在网上轻松找到的教程。

如果您需要了解哪种方法是机器学习开发的“标准”方法，我将尝试为您提供大致的流程概念。

您可以通过以下主要步骤总结该过程：

数据预处理->数据拆分->功能选择->模型训练->验证->部署

数据预处理旨在清理和格式化数据：删除NA值，有关分类变量的决策，离群值分析等。...这是一个复杂的步骤，具体取决于应用程序。在您的情况下，我将开始检查不同数据集中的数据是否同质，即功能在csv中具有相同的含义，并且相应的功能遵循相同的分布。尽管应在csv的说明中解释每个功能的含义，但是可以很容易地完成分布的检查，并绘制每个功能和csv的箱形图。如果同一功能在不同csv文件中的分布不重叠，则应进一步研究该问题。

设计良好模型的重要一步是数据分割。您应该将数据划分为训练/验证集（训练/验证/测试以获得更全面的方法）。此步骤使您可以在训练集上训练模型，并在验证集上测试模型，以计算模型的无偏性能。我建议在这里熟悉以下概念：交叉验证，分层交叉验证，用于超参数调整的嵌套交叉验证，过度拟合，偏差...。模型的验证将使您对在看不见的数据上的预期性能。如果您正在考虑使用多个模型，则可以使用验证结果来选择“最佳”模型。我在这里建议使用置信区间进行比较，或者在可能的情况下进行显着性检验（例如t检验，方差分析等）。在部署之前，将对模型进行所有可用数据的训练。

模型的选择取决于您使用的数据：样本数量，特征数量，变量类型（数字，类别），....

我不是javascript方面的专家，但我（只是感觉）认为python和R是开发机器学习应用程序的更常见选择。两者都有专门为该任务开发的库，您可以找到很多材料和教程。

我认为我可以更具体一些。

我希望对您有帮助