libsvm_action

该库是利用libsvm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

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") }

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

	保留所有列	删除方差	删除标准差
Correctly Classified Instances	94.0473 %	93.9693 %	94.0473 %
Incorrectly Classified Instances	5.9527 %	6.0307 %	5.9527 %
Kappa statistic	0.8206	0.8156	0.8207
Mean absolute error	0.0595	0.0603	0.0595
Root mean squared error	0.244	0.2456	0.244
Relative absolute error	17.1713%	17.3963 %	17.1713%
Root relative squared error	58.61%	58.9927 %	58.61%
Total Number of Instances	3847	3847	3847

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

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)