我在这里有多个从 Kaggle 获取的数据集。有多个 csv 文件，每个 csv 文件专门用于坐、站、走、跑步等。数据取自加速度计和陀螺仪等传感器。数据集中的值是轴，如 x、y 和 z。
样本数据
这是慢跑的示例数据集。现在我需要在我的程序中制作分类器，以便我的程序可以检测自己的数据是慢跑、坐着、站立等。我想将所有数据集混合在一个 csv 文件中，然后将其上传到我的 webapge 中，然后我希望 javascript 代码开始检测特定行是否是坐着、站立、慢跑等。我不需要任何代码帮助，但我只需要一点解释或一种开始编码的方法。我怎样才能开始制作这样的分类器？我知道这是一个广泛的问题，但我想我已经尝试以最好的方式解释自己。一旦我的程序检测到具有特定活动的每一行，它将分别计算所有活动，然后在网页中以表格格式显示。
【问题讨论】：
标签： javascript tensorflow machine-learning artificial-intelligence
为了正确回答您的问题，了解您对机器学习的理解和经验水平将非常有帮助。
如果您是初学者，我建议您尝试运行并理解一些可以在网络上轻松找到的教程。
如果您需要了解哪种是机器学习开发的“标准”方法，我将尝试为您提供该过程的大致概念。
您可以将过程总结为以下主要步骤：
数据预处理->数据拆分->特征选择->模型训练->验证->部署
数据预处理旨在清理和格式化数据：删除 NA 值、关于分类变量的决策、异常值分析……这是一个复杂的步骤，取决于应用程序。在您的情况下，我将开始检查不同数据集中的数据是否是同质的，即特征在 csv 中具有相同的含义，并且相应的特征尊重相同的分布。虽然应在 csv 的描述中解释每个特征的含义，但可以很容易地为每个特征和 csv 绘制箱形图来检查分布。如果不同 csv 文件中相同功能的分布不重叠，则应进一步调查该问题。
设计一个好的模型的一个重要步骤是拆分数据。您应该将数据拆分为训练/验证集（训练/验证/测试以获得更全面的方法）。此步骤允许您在训练集上训练模型并在验证集上测试模型，计算模型的无偏性能。我建议在这里熟悉以下概念：交叉验证、分层交叉验证、用于超参数调整的嵌套交叉验证、过拟合、偏差......它将对看不见的数据产生的预期性能。如果您正在考虑使用多个模型，您可以使用验证结果来选择“最佳”的一个。我建议在这里使用置信区间进行比较，或者如果可能的话，进行显着性检验（例如 t 检验、方差分析……）。在部署之前，模型会根据所有可用数据进行训练。
模型的选择取决于您使用的数据：样本数、特征数、变量类型（数值、分类），......
我不是 javascript 专家，但我相信（只是一种感觉）python 和 R 是开发机器学习应用程序的更常见选择。两者都有专门为该任务开发的库，您可以找到很多材料和教程。
有了更多的上下文，我认为我可以更具体。
希望对你有帮助
【讨论】：