Zeitschrift für Informationstechnologie und Softwareentwicklung
Offener Zugang

Abstrakt

Eine vergleichende Studie zu Klassifizierungsmodellen des maschinellen Lernens zur Aktivitätserkennung

Mohsen Nabian

Aktivitätserkennungssysteme (AR) sind maschinelle Lernmodelle, die für Mobiltelefone und intelligente Wearables entwickelt wurden, um verschiedene menschliche Aktivitäten in Echtzeit zu erkennen, wie etwa Gehen, Stehen, Laufen und Radfahren. In diesem Dokument wird die Leistung (Genauigkeit und Rechenzeit) mehrerer bekannter überwachter und unüberwachter Lernmodelle anhand eines Datensatzes untersucht, darunter logistische Regression, Support Vector Machine, „K-Nearest Neighbors“, Naive Base, „Entscheidungsbaum“ und Random Forest. Es zeigt sich, dass das Random-Forest-Modell andere Modelle mit einer Genauigkeit von über 99 Prozent übertrifft. Es zeigt sich, dass PCA die Leistung von künstlichen neuronalen Netzen mit einer verborgenen Schicht und von SVM-Modellen hinsichtlich Genauigkeit und Zeit deutlich verbessert hat, während PCA sich negativ auf Random-Forest- oder Entscheidungsbaum-Modelle auswirkte, da es die Laufzeit verlängert und die Vorhersagegenauigkeit verringert.