Revista de Tecnologia da Informação e Engenharia de Software
Acesso livre

Abstrato

Um estudo comparativo sobre modelos de classificação de aprendizagem automática para reconhecimento de atividades

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 .