標本データセットの読み込み

humanactivityデータセットを読み込みます。

负载humanactivity

humanactivityデータセットには,人間の次の5種類の身体動作についての24075個の観測値が含まれています。座る,立つ,歩く,走る,踊るです。各観測値には,スマートフォンの加速度センサーによって測定された加速度データから抽出した60個の特徴量が含まれています。このデータセットには,以下の変数が含まれています。

humanactivityデータセットの作用成に，センサーhar（行动认识）アプリ[1]が使用されました。このアプリで生の加速度データを測定するときに,人間はスマートフォンを上下逆さまにして画面が人間側を向く状態でポケットに入れていました。ソフトウェアでは,測定した生データをこれに従って較正し,較正したデータから60個の特徴量を抽出しました。較正と特徴抽出の詳細については,［2］と［3]をそれぞれ参照してください。後で説明する仿金宝app真软件モデルでは生の加速度データも使用しており,較正および特徴抽出用のブロックが含まれています。

データの準備

この例では5種類の行動を分類するモデルに学習をさせるために観測値をの90%,学習済みモデルの検証に観測値の10%を使用します。cvpartitionを使用して,検定セット用に10%のホールドアウトを指定します。

RNG（'默认'）重复性的％分区= cvpartition（actid，“坚持”，0.10）;TrainingInds =培训（分区）;%训练集指标XTrain = Feat（TrainingInds，:);ytrain = actid（traininginds）;testinds =测试（分区）;%测试集索引XTest =壮举(testInds:);欧美= actid (testInds);

分類学習器アプリで学習データセットを読み込むため,特徴量行列XTrainと応答ベクトルytrain.をテーブルに変換します。

array2table([XTrain YTrain]);

テーブルの各列の変数名を指定します。

tTrain.Properties.VariableNames = [featlabels ''活动'];

分享学习器アプリアプリ使使使ブースティング木ののアンサンブルの学习

分類学習器アプリを使用して分類モデルに学習をさせます。分類学習器アプリを開くため,コマンドラインでClassificationSlearner.と入力します。または,[アプリ]タブをクリックし，[アプリ]セクションの右にある矢印矢印クリックし，ギャラリーを开放ます。次次，[機械学習および深層学習]の[分類学習器]をクリックします。

[分類学習器]タブで,[ファイル]セクションの[新闻】をクリックし,[ワークスペースから]を選択します。

[新闻】ダイアログボックスで，[データデータ数]のの矢印をクリッククリックしからからTTrainををします。分享学学院器械は子とをテーブルテーブル识别识别します。

既定のオプションは,過適合を防ぐ5分割の交差検証です。[セッションの开开]分别学院器材が読み込み読み込み，はじめの2つの特性について散布図をします。

[分類学習器]タブで[モデルタイプ]セクションセクションの右にあるをクリックしてギャラリーをききますきににに，[アンサンブル分量器]の[ブースティング木)をクリックします。

データブラウザーの[現在のモデル]ペインにブースティング木のアンサンブルモデルの既定設定が表示されます。

[分類学習器]タブの[学学]セクションで，[学学]をクリックします，5分钟で交差された度度表示れブラウザーのた度に表示さデータブラウザーブラウザーの

[分類学習器]タブの[エクスポート]セクションで，[モデルのエクスポート]をクリックしてから[コンパクトモデルのエクスポート]を选択します。ダイアログダイアログボックス[好的]をクリックします。構造体trainedModelがMATLABのワークスペースに現れます。trainedModelの分类素..フィールドにコンパクトモデルがれています。学习済みのモデルを构造构造しします。

分类素=训练型思考.Classificationsemble;

コマンドラインにおけるブースティング木のアンサンブルの学習

もう一つの方法として,コマンドラインで同じ分類モデルに学習をさせることができます。

template = templatetree（'maxnumsplits'20）;ClassificationSeneMble = FitCensemble（Xtrain，Ytrain，．..“方法”，“AdaBoostM2”，．..“NumLearningCycles”，30，．..“学习者”模板,．..“LearnRate”, 0.1,．..'classnames', (1;2;3;4;5);

classificationEnsembleについて5分割の交差検証を実行し,検証精度を計算します。

partitionedModel = crossval (classificationEnsemble,“KFold”5）;ValidationAccuracy = 1-kfoldloss（PartitionedModel）

validationAccuracy = 0.9830

検定データに対するパフォーマンスの评価

検定データセットに対するパフォーマンスを评価します。

testAccuracy =第一(classificationEnsemble XTest、欧美)

testaccuracy = 0.9763

学科済みモデルは，検定データセットについて行动のこの结果は，学校済みモデルが习データに対して过がになっていことを示しなっていないことを示しなっいいことを示しなっなって

正確な値はオペレーティングシステムによってわずかに変化する可能性があることに注意してください。

学习済みモデルの保存

分類モデルオブジェクトが含まれている場合のコード生成には,Savelarnerforcoder.とloadLearnerForCoderを使用します。

Savelarnerforcoder.をを使し，学校済みモデルを保存し。

saveLearnerForCoder (classificationEnsemble'ensembermodel.mat'）;

金宝app仿真软件モデルの関数ブロック预测がloadLearnerForCoderを使用して学習済みモデルを読み込み,学習済みモデルを使用して新しいデータを分類します。

デバイスへの仿金宝app真软件モデルの展開

分数モデルを设备ししので，スマートフォンのタイプに応じsi金宝appmulinkモデルを开放，モデルをデバイスに开头できるようにました.simulinkモデルには。EnsembleModel.matファイルと较正行列slexharandroidcalibion​​matrix.matまたはslexHARiOSCalibrationMatrix.matが必要であることに注意してください。このページの右上にあるボタンをクリックしてこの例をMATLAB®で開くと,これらの較正行列ファイルが含まれている例のフォルダーが開きます。

Androidに展开するsi金宝appmulinkモデルを开放には，Slexharandroidexample.と入力します。

iosに开一开するs金宝appimulinkモデルを开开には，slexhariosexample.と入力します。Mac OSプラットフォームでモデルを開くことができます。

この2つのsim金宝appulinkモデルモデル，スマートフォンのセンサーで测定た加入データに基于人间の行动をしますには以以ブロックがれてていがれいます。

金宝app仿真软件モデルをデバイスに展開するには,在Android设备上运行模型（金宝app用于An金宝appdroid设备的Simulink支持包）または在苹果iOS设备上运行模型（金宝appAppl金宝appe iOS设备的Simulink支持包）の手順に従います。デバイスでモデルを実行し,前に説明したものと同じ方法でデバイスを配置して学習データを収集し,5つの行動を試します。それに従って,分類された行動がモデルに表示されます。

モデルの精度を確保するには,前に説明したものと同じ方法でデバイスを配置して学習データを収集する必要があります。異なる場所または方向でデバイスを配置する場合は,各自の方法でデータを収集し,そのデータを使用して分類モデルに学習をさせます。

デバイスによって,モデルの精度が検定データセット(testaccuracy）の精度と可性ありがますますと较较较较によるによるますますますますますますますますますますますますてますて，て，音声てててて，音声フィードバック用に别の力ブロックに追加することもできますます。分享され行动と加入データデバイスデバイスから“モノモノインターネット”にパブリッシュには，thingspeak™の书籍ブロックを使用します。详细については，https://thingspeak.com/を参照してください。