《机器学习》基于SVM的行为识别案例解析.zip

# libsvm_action 该库是利用[libsvm](http://www.csie.ntu.edu.tw/~cjlin/)进行行为预测的案例库。 详细完整的介绍了数据从获取到featurs提取到最后的行为预测的完整过程。 > [系列教程推荐](http://blog.csdn.net/flydreamgg/article/details/4466023) ## 软件&&设备 - android手机 - R v3.3.1 && RStudio v0.99.902 - weak v3.9 - eclipse集成开发环境 - jdk1.8 - python2.6 - gp424win32 ## 环境配置 - 将svm文件夹拷贝到系统当前用户目录下如：C:\Users\ydcun-psjs - 安装好python2.6后将python 目录添加到环境变量path中 - gp424win32解压出来来的gnuplot文件夹：如：D:\Program Files\gnuplot\bin\pgnuplot.exe - 修改svm\libsvm\tools\grid.py 中 self.gnuplot_pathname = r'D:/Program Files/gnuplot/bin/pgnuplot.exe' 替换成自己的目录 ## 训练样本 #### 手机获取加速速度数据并对行为进行标定 - 将手机加速度传感器的加速度值进行三轴向量和运算（使得运动的时候行为与手机姿态没有关系） - 采集的时候是用32HZ频率以4s为一个时间窗进行采集数据，每窗数据有128个加速度数据 - 训练需要的数据在csv文件中（com.ydcun.libsvm_action.accdata.csv文件中） - 将csv文件导入到R中 > accdata = read.csv(file="C:\\Users\\ydcun-psjs\\Desktop\\机器学习\\accdata.csv") > library(sqldf) > accdata2 = sqldf("select act,position,t_min,t_max,t_mcr,t_sttdev,t_mean,t_rms,t_iqr,t_mad,t_variance from accdata where act='Walking' or act='Running'") > write.csv(accdata2,file="C:\\Users\\ydcun-psjs\\Desktop\\机器学习\\accdata2.csv"); - weka将accdata2.csv文件转换成arff文件 #### 提取特征 - 最小值 min - 最大值 max - 方差 variance 1/length*sum(xi-x)^2 (0 < i < length) - 过均值率 mcr （以均值为分界线，前后点分布在分界线两侧的几位一次 sum/length） - 标准差 stddev - 平均值 mean - 均方根平均值 rms （先平方、再求和、然后开方） - 四分位距 iqr （Q1~Q3 的差距） - 绝对平均差 mad sum(|xi-x|)/length #### 原始数据作图分析（accdata-data列） > 加速度原始数据图 - library(rjson) - walking = fromJSON(accdata[1,3]) - plot(walking,ylim=c(7,15),pch=20,xlab="accdata",ylab="accvalue",col="red",type="o") - title("走路-128个加速度采样点图像") - plot(running,pch=20,xlab="accdata",ylab="accvalue",col="red",type="o") - title("跑步-128个加速度采样点图像") > 特征图 - 将数据进行行为与位置进行排序， accdata2 = sqldf("select * from accdata2 order by act,position") plot(accdata2$t_min,pch=20,xlab="accdata",ylab="accvalue",col="red",type="o") - 查看不同类型数据数量 sqldf("select count(*),act from accdata2 group by act") abline(v=858, col="blue") sqldf("select count(*),act,position from accdata2 group by act,position") adcount = sqldf("select count(*) count,act,position from accdata2 group by act,position") temp =0; for(c in adcount$count){ temp =temp +c; abline(v=temp, col="black") } ```R 优化代码： adcount = sqldf("select count(*) count,act,position from accdata2 group by act,position") adcount2 = sqldf("select count(*),act from accdata2 group by act") setwd("C:\\Users\\ydcun-psjs\\Desktop\\机器学习") for(i in c(1:9)){ dev.new() future1=paste(names(accdata2)[i+2],".png") png(file=future1) plot(accdata2[,i+2],pch=20,xlab="accdata",ylab="accvalue",col="red",type="o") title(names(accdata2)[i+2]) #画分割线 temp =0; for(c in adcount$count){ temp =temp +c; abline(v=temp, col="black") } abline(v=adcount2[1,1], col="blue") dev.off() } ``` #### Weka进行模型验证 - 保留所有列 - 删除方差 - 删除标准差 <table> <tr><td></td><td>保留所有列</td><td>删除方差</td><td>删除标准差</td></tr> <tr><td>Correctly Classified Instances</td><td>94.0473 %</td><td>93.9693 %</td><td>94.0473 %</td></tr> <tr><td>Incorrectly Classified Instances</td><td>5.9527 %</td><td>6.0307 %</td><td>5.9527 %</td></tr> <tr><td>Kappa statistic</td><td>0.8206</td><td>0.8156</td><td>0.8207</td></tr> <tr><td>Mean absolute error</td><td>0.0595</td><td>0.0603</td><td>0.0595</td></tr> <tr><td>Root mean squared error</td><td>0.244</td><td>0.2456</td><td>0.244 </td></tr> <tr><td>Relative absolute error</td><td>17.1713%</td><td>17.3963 %</td><td>17.1713%</td></tr> <tr><td>Root relative squared error</td><td>58.61%</td><td>58.9927 %</td><td>58.61%</td></tr> <tr><td>Total Number of Instances</td><td>3847</td><td>3847 </td><td>3847</td></tr> </table> ps: Correctly Classified Instances:正确分类的实例 Incorrectly Classified Instances:错误分类的实例 Kappa statistic：k=1表明分类器完全与随机分类相异 k=0与随即分类相同 k=-1比随即分类还要差 Mean absolute error：平均绝对误差 Root mean squared error：均方根误差 Relative absolute error：相对绝对误差 Root relative squared error：相对均方误差 #### 读取mysql中的数据到R中处理 > 1. 安装RODBC工具 install.packages("RODBC") library(RODBC) > 2. 建立连接mysql channel=odbcConnect("mysqlodbc", uid="root", pwd="123456") > 3. 查看所有的表 sqlTables(channel) > 4. 用sql语句获取数据 >> accdata = sqlQuery(channel,"select act,position,data,t_min,t_max,t_mcr,t_sttdev,t_mean,t_rms,t_iqr,t_mad,t_variance from accdata",stringsAsFactors=FALSE) > library(sqldf) > accdata2 = sqldf("select act,position,t_min,t_max,t_mcr,t_sttdev,t_mean,t_rms,t_iqr,t_mad,t_variance from accdata where act in ('Walking','Running') and position in ('Hand Fixed','Hand Swing')") **ps:** stringsAsFactors 不会将不认识的string类型转换成factors #### R语言导出csv文件 write.csv(accdata2,file="C:\\Users\\ydcun-psjs\\Desktop\\机器学习\\accdata.csv"); #### R语言读取JSON数据 1. 安装rjson工具 install.packages("rjson") library(rjson) 2. 读取json文件 grades=fromJSON(file = 'd:/20150524.json', unexpected.escape = "error") 3. 处理封装json数据 ``` R min = c() max = c() mean = c() for (n in grades){ min = c(min,n$min) max = c(max,n$max) mean = c(mean,n$mean) } data = data.frame(min,max,mean) ```