Human Activity Recognition(HAV) 已經成為過去幾年的一個重要研究領域，並且越來越受到研究界的關注，那我們可以觀測的不只是一些平常的運動，例如坐下、慢跑、站立，當然也可能是一些工作領域，例如搬運貨物，廚房炒菜，醫生開刀等等，且HAR也能顧及未來許多重要的發展，例如：老人長照、健身姿勢是否不良等。目前市面上的智慧型手機都有一個三軸的加速度計，可以測量三個空間維度的加速度，這使得感測數據更容易地去取得，此外感測數據本身是需要遠端來記錄的，這涉及到了物聯網的感知層以及網路層，而現在處理的是物聯網的應用層面，藉由此應用層面我們來發揮其最大效益。
HAR 在傳統上多用於區分不同的活動，亦即在同一個時間點執行什麼活動，而此數據集為舉重練習數據集，是用來調查、檢視受測者運動姿勢是否正確，使得運動者能達到最佳的訓練效果。數據集取自六名參與者的腰帶、手腕、手臂、啞鈴，並以五種不同的方式進行一組 10 次的單側啞鈴舉。
本次使用的程式碼為 python，首先我們先將 dataset 利用 pandas 套件讀取，接著因為我們沒有要使用 RNN 或是 LSTM(GRU)，所以把有關時間序列的數據都刪除
train2 = train.drop(['Unnamed: 0', 'user_name','raw_timestamp_part_1','raw_timestamp_part_2','cvtd_timestamp','new_window','num_window'], axis=1)
刪除任何有 NaN 的行
train2 = train2.dropna(axis=1, how='any')
畫出五種活動數據的直方圖，看是否有類別數據過多或是過少
train2['classe'].value_counts().plot(kind='bar',title='Training Examples by Activity Type')
plt.show()
因為要放入深度學習進去訓練，因此把 label 轉換為 1-hot-encoding，轉換完成後，A 會轉換為 10000 ； B 會轉換為 01000；C 會轉換為 00100；D 會轉換為 00010；E 會轉換為 00001
train3 = pd.get_dummies(data=train2, columns=["classe"])
train3[:2]
將訓練數據拆分為訓練集及驗證集，方便訓練時查看防止 overfitting
msk = np.random.rand(len(train2)) < 0.8
train_df = train3[msk]
test_df = train3[~msk]
使用 values 將原本的 dataframe 數據強制轉換成 numpy 格式的數據
nparray_train = train_df.values
nparray_test = test_df.values
把前 52 行數據當成 feature ，最後 5 行數據當成 label
train_label = nparray_train[:, 52:57]
test_label = nparray_test[:, 52:57]
train_feature = nparray_train[:, 0:52]
test_feature = nparray_test[:, 0:52]
使用正規化及標準化測試準確率
from sklearn import preprocessing
# 正規化
minmax_scale = preprocessing.MinMaxScaler(feature_range=(0, 1))
train_feature=minmax_scale.fit_transform(train_feature)
test_feature=minmax_scale.fit_transform(test_feature)
# 標準化
scaler = preprocessing.StandardScaler()
train_feature = scaler.fit_transform(train_feature)
test_feature = scaler.fit_transform(test_feature)
神經網路架設了六層 Dense 層，且加入 Dropout 防止過度擬合，更利用 BatchNormalization 來做正規化。因為模型中的參數愈小代表模型愈簡單，愈不容易產生過擬合現象，所以神經元參數配置上，盡量把參數縮減，第一層的神經元為 256，第二層的神經元為 256，第三層的神經元為 128，第四層的神經元為 64，第五層的神經元為 32，第六層的神經元為 16，第七層的神經元為 5，中間的 Dorpout 設置為 0.2，也就是經過一層後自動拋棄 20% 神經元，保留 80% 神經元
model = Sequential()
model.add(Dense(256, kernel_initializer='normal',activation = 'relu'))
model.add(BatchNormalization())
model.add(Dropout(0.2))
model.add(Dense(256, kernel_initializer='normal',activation = 'relu'))
model.add(BatchNormalization())
model.add(Dropout(0.2))
model.add(Dense(128, kernel_initializer='normal',activation = 'relu'))
model.add(BatchNormalization())
model.add(Dropout(0.2))
model.add(Dense(64, kernel_initializer='normal',activation = 'relu'))
model.add(BatchNormalization())
model.add(Dropout(0.2))
model.add(Dense(32, kernel_initializer='normal',activation = 'relu'))
model.add(BatchNormalization())
model.add(Dropout(0.2))
model.add(Dense(16, kernel_initializer='normal',activation = 'relu'))
model.add(BatchNormalization())
model.add(Dropout(0.2))
model.add(Dense(5, activation = 'softmax'))
神經網路架設了 convolution1D ，在數據處理部分，因為此為四種感測器的數值，因此將 52 行的數據切割成 4 份，並放入分別放入 4 個維度，最後把這四個維度當作一張照片放入 CNN 裡頭
隨機森林分類器(RandomForestClassifier)進行模型訓練以及預測分析
from sklearn.ensemble import RandomForestClassifier,
RFC = RandomForestClassifier()
RFC.fit(train_feature,train_label)
梯度提升決策樹(GradientBoostingClassifie)進行整合模型的訓練以及預測分析
from sklearn.ensemble import GradientBoostingClassifier
GBC = GradientBoostingClassifier()
GBC.fit(train_feature, train_label)
使用單一決策樹(DecisionTreeClassifier)進行模型訓練以及預測分析
from sklearn.tree import DecisionTreeClassifier
DTC = DecisionTreeClassifier()
DTC.fit(train_feature, train_label)
使用基於線性假設的支援向量機(SVM)進行模型訓練以及預測分析
from sklearn.svm import SVC
SVCL = SVC(kernel='linear')
SVCL.fit(train_feature, train_label)
使用基於多項式 kernel 的支援向量機(SVM)分類器進行模型訓練以及預測分析
from sklearn.svm import SVC
SVCP = SVC(kernel='poly')
SVCP.fit(train_feature, train_label)
使用基於高斯 kernel 的支援向量機(SVM)分類器進行模型訓練以及預測分析
from sklearn.svm import SVC
SVCR = SVC(kernel='rbf')
SVCR.fit(train_feature, train_label)
使用基於 sigmoid kernel 的支援向量機(SVM)分類器進行模型訓練以及預測分析
from sklearn.svm import SVC
SVCS = SVC(kernel='sigmoid')
SVCS.fit(train_feature, train_label)
使用高斯樸素貝葉斯(Gaussian Naive Bayes)分類器進行模型訓練以及預測分析
from sklearn.naive_bayes import GaussianNB
GNB = GaussianNB()
GNB.fit(train_feature,train_label)
使用多項式樸素貝葉斯(Multinomial Naive Bayes)分類器進行模型訓練以及預測分析
from sklearn.naive_bayes import MultinomialNB
MNB = MultinomialNB()
MNB.fit(train_feature,train_label)
使用伯努力樸素貝葉斯(Bernoulli Naive Bayes)分類器進行模型訓練以及預測分析
from sklearn.naive_bayes import BernoulliNB
BNB = BernoulliNB()
BNB.fit(train_feature,train_label)
使用邏輯迴歸(LogisticRegression)進行模型訓練以及預測分析
from sklearn.linear_model import LogisticRegression
LR = LogisticRegression()
LR.fit(train_feature, train_label)
使用 KNN 進行模型訓練以及預測分析
from sklearn.neighbors import KNeighborsClassifier
KNC = KNeighborsClassifier()
KNC.fit(train_feature,train_label)
訓練集準確率、驗證集準確率
將切分的驗證集放入驗證準確率、預測結果為 test 題目的 20 人答案
訓練集準確率、驗證集準確率
將切分驗證集放入驗證準確率、預測結果為 test 題目的 20 人答案
以下我會將數據進行三種規則，第一種為沒有正規化也沒有標準化；第二種為有正規化沒有標準化；第三種為有標準化沒有正規化。最後都是顯示最好的準確率之混淆矩陣，此混淆矩陣、準確率為隨機切割的驗證集所算出，預測結果為 test 題目的 20 人答案
隨機森林分類器方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.9900，只進行正規化轉換後得到的準確率為 0.7323，只進行標準化轉換後得到的準確率為 0.9353
梯度提升決策樹方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.9697，只進行正規化轉換後得到的準確率為 0.7321，只進行標準化轉換後得到的準確率為 0.8586
單一決策樹方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.9659，只進行正規化轉換後得到的準確率為 0.4489，只進行標準化轉換後得到的準確率為 0.8175
線性假設的支援向量機方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.，只進行正規化轉換後得到的準確率為 0.4810，只進行標準化轉換後得到的準確率為 0.7578
多項式 kernel的支援向量機方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.9889，只進行正規化轉換後得到的準確率為 0.4285，只進行標準化轉換後得到的準確率為 0.9485
高斯 kernel 的支援向量機方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.2826，只進行正規化轉換後得到的準確率為 0.6075，只進行標準化轉換後得到的準確率為 0.9513
sogmoid kernel 的支援向量機方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.1692，只進行正規化轉換後得到的準確率為 0.5826，只進行標準化轉換後得到的準確率為 0.3491
高斯樸素貝葉斯分類器方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.4960，只進行正規化轉換後得到的準確率為 0.2847，只進行標準化轉換後得到的準確率為 0.3538
多項式樸素貝葉斯分類器方面，如果將沒有正規化、標準化的數據是無法放入得到的準確率的，因為輸入不能為負數，只進行正規化轉換後得到的準確率為 0.3499，只進行標準化轉換依舊是負數，因此也無法求得準確率
伯努力樸素貝葉斯分類器方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.4391，只進行正規化轉換後得到的準確率為 0.2972，只進行標準化轉換後得到的準確率為 0.4256
邏輯迴歸方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.7389，只進行正規化轉換後得到的準確率為 0.5621，只進行標準化轉換後得到的準確率為 0.7133
最近鄰居法方面，如果將沒有正規化、標準化的數據放入得到的準確率為 0.9189，只進行正規化轉換後得到的準確率為 0.9359，只進行標準化轉換後得到的準確率為 0.9761
