ISSN: 2165- 7866
Mohsen Nabian
Os sistemas de reconhecimento de atividades (RA) são modelos de aprendizagem automática desenvolvidos para telemóveis e wearables inteligentes para reconhecer várias atividades humanas em tempo real, como caminhar, estar de pé, correr e andar de bicicleta. Neste artigo, o desempenho (precisão e tempo computacional) de vários modelos de aprendizagem supervisionada e não supervisionada bem conhecidos, incluindo regressão logística, máquina de vetores de suporte, K-vizinhos mais próximos, base ingénua, ‘árvore de decisão’ e floresta aleatória são examinados num conjunto de dados. É mostrado que o modelo Random Forest supera outros modelos com uma precisão superior a 99 por cento. É mostrado que o PCA melhorou significativamente o desempenho da Rede Neural Artificial com uma camada oculta e modelos SVM tanto na precisão como no tempo, enquanto o PCA mostrou ter impactos negativos nos modelos Random Forest ou Decision Tree, aumentando o tempo de execução e diminuindo a precisão da previsão .