Skip to content

Latest commit

 

History

History
132 lines (83 loc) · 6.3 KB

README.md

File metadata and controls

132 lines (83 loc) · 6.3 KB
Raw

Activity-Recognition

项目内容

  • 模型训练及实验分析

  • 手机行为识别APP开发

所需工具

实验实例全部运行于Python 3.6环境，尚需引入以下扩展包。

  • sklearn

  • pandas

  • numpy

  • matplotlib

  • seaborn

  • plotly

手机APP开发需如下支持。

  • JDK 9

实验数据

来自WISDM 数据集，志愿者数为36 人，共1098207 个采样点，包含以下六种行为。

  • 静坐(Sitting)

  • 站立(Standing)

  • 上楼(Upstairs)

  • 下楼(Downstairs)

  • 步行(Walking)

  • 慢跑(Jogging)

各志愿者采样数据分布直方图如下所示。

数据统计直方图

HARPY库

HARPY(Human Activity Recognition Python Library)库是为了基于加速度数据的人体行为识别方法开发的python库，其包裹了sklearn、numpy、matplotlib的部分功能，主要目的是为行为识别研究提供便捷。

目前HARPY共包含utils(工具包)、prepocess(数据预处理)、selection(特征、数据选择)、calculate(特征值计算)、train(模型训练)、parameter(参数调优)、visualization(数据可视化)等七个模块。更多扩展功能仍在开发中，源码可在activity_recognition目录获得，本目录下startup.py文件可用于各功能测试，测试文件见data_set和feature目录。

activity_recognition.calculate:特征值计算

一级接口

接口 功能 输入参数 输出(文件、返回值、打印信息)
calculate_range_id 计算指定范围内用户特征 (start_id, end_id) "$(start_id)-$(end_id).csv"写入"./feature"目录下
calculate_except_range_id 计算不在指定范围内用户特征 (start_id, end_id) "except_$(start_id)-$(end_id).csv"写入"./feature"目录下
calculate_id 计算指定用户的特征 (id) "$(id).csv"写入"./feature"目录下
calculate_per_id 计算每个用户的特征 - 为每个用户在"./feature"目录下生成".csv"文件
calculate_expect_id 计算除指定用户外其他用户特征 id 在"./feature"目录下生成"expect_$(id).csv"文件
calculate_per_expect_id 对每个用户执行calculate_expect_id操作 - 对每个用户在"./feature"下生成"expect_$(id).csv"文件
calculate_all 计算所有用户特征 - 所有用户特征都将写入"all.scv"并写入"./feature"目录

activity_recognition.train:模型训练与评估

一级接口

接口 功能 输入参数 输出(文件、返回值、打印信息)
train_test_split_result 以sklearn默认方式划分训练、测试集并训练模型 (clf, X, y) 打印模型性能参数
stratifiedk_fold_result 按默认参数等比例采样后训练模型 (clf, X, y) 打印模型性能参数
k_fold_result 以默认参数做K折交叉实验 (clf, X, y) 打印模型性能参数

activity_recognition.parameter:参数调优

一级接口

接口 功能 输入参数 输出(文件、返回值、打印信息)
grid_search_parameter 以网格搜索方式遍历超参空间并比较模型优劣 (clf, X, y) 打印各参数评分及模型的最优参数组合
random_search_parameter 以随机搜索方式遍历超参空间并比较模型优劣 (clf, X, y) 打印各参数评分及模型的最优参数组合

activity_recognition.visualization:数据可视化

一级接口

接口 功能 输入参数 输出(文件、返回值、打印信息)
plot_learning_curve_default 画出ShuffleSplit下学习曲线 (X, y, clf) 得到学习曲线图
plot_learning_curve_cv 画出指定交叉验证下学习曲线 (X, y, clf, cv) 得到学习曲线图
plot_paramter_curve_default 画出ShuffleSplit下单变量评分变化曲线 (X, y, clf, param_name, param_range) 得到单变量评分变化曲线
plot_paramter_curve_cv 画出指定交叉验证下单变量评分变化曲线 (X, y, clf, cv, param_name, param_range) 得到单变量评分变化曲线
plot_confusion_matrix 按比重画出渐变色混淆矩阵 (confusion_matrix) 得到渐变色混淆矩阵
plot_gridsearch 画出二维网格准确率渐变色图 (clf, X, y) 得到二维网格准确率渐变色图

activity_recognition.utils:辅助工具

一级接口

接口 功能 输入参数 输出(文件、返回值、打印信息)
read_file 读取"./feature"下特征文件 (file_name) 返回特征X和标签y
read_feature 读取"./feature"下特征文件 (file_name) 只返回特征X
get_default_clf 根据输入模型缩写生成默认模型 (clf_name) 返回模型
extract_activity 按各行为分离指定编号人员的特征文件 (file_name, id) 在"./feature/$(id)/"目录下生成各行为".csv"文件
extract_per_people 按各行为分离所有人员的特征文件 - 在所有"./feature/$(id)/"目录下生成各行为".csv"文件
extract_feature 读取各文件并截取指定特征列 (file_name, write_file, list) 截取的特征列写入"./feature/$(id)/$(write_file).csv"文件中
extract_activuty_feature 截取id_list中所有用户的feature_list列特征 (id_list, feature_list) 每个截取的特征列写入"./feature/$(id)/$(write_file).csv"文件中
hash_name 完成特证名与列号的映射 - 返回映射结果（列）

activity_recognition.selection:参数调优

一级接口

接口 功能 输入参数 输出(文件、返回值、打印信息)
activity_pearson 计算不同用户相同行为下各对应特征列间的的皮尔森系数 (X, Y) 打印各特征皮尔森系数及平均皮尔森系数

各模块功能仍在完善中，已有功能会对输入参数做一次统一。preprocess模块需要重写。二级接口文档最近会整理。

本项目于2017.12.8日开始更新 ...

本人Python及Java均为十月起初学，如有好的实现请邮件我！

[email protected]