有监督学习
基础知识
分类
-
评价标准
精确率–以二分类为例，在测试样本集上，预测结果：
正例预测为正类（TP），负例预测为正类（FP）。如， A–>A（TP正确预测），B–>A（FP错误预测）P=\francTPTP+FP
负例预测为负类（TN），正例预测为负类（FN）。如， B–>B（TN正确预测），A–>B（FN错误预测）P=\francTNTN+FN
召回率–针对原来的样本而言，表示样本中预测正确的正例有多少
原来的正例预测为正类（TP），原来的正例预测为负类（FN）P=\francTPTP+FN
准确率–预测正确/所有样本P=\francTP+TNTP+FP+TN+FN -
sklearn分类库
sklearn库中的分类算法放在不同的子模块中，主要包括：
k近邻
朴素贝叶斯
支持向量机
决策树
神经网络模型
…
回归
- 回归定义
了解两个或多个变量间是否相关、研究其相关方向与强度，并建立数学模型以便观察特定变量；
回归分析帮助人们了解在自变量变化时因变量的变化量；
适合对带有时序信息的数据进行预测或趋势拟合（如金融领域、交通数据）
- sklearn回归库
sklearn.linear_model–>线性回归函数–>
普通线性回归
岭回归
Lasso
非线性回归–>
多项式回归
sklearn.preprocessing子模块
实例分析
## 实例说明 ##
对传感器采集的大量数据分析与建模，通过各项特征的数值进行用户状态的判断，根据用户所处的状态提供给用户更加精准、便利的服务
## 数据介绍 ##
ABCDE 用户可穿戴设备的传感器数据，数据集包括：特征文件（a.feature）标签文件（a.label）
特征文件：每行–一个时刻的所有传感器数值
标签文件：每行–与特征文件对应时刻，标记过的用户姿态
两文件行数相同，相同行之间互相对应
特征数值介绍
41列特征
- 温度数据
反映活动剧烈程度：
静止状态时，温度稳定在36.5度上下；
高于37度时，可能为短时间剧烈运动
- 加速度数据
两个型号加速度传感器，互相印证，保证完整性和准确性
加速度传感器对应的三个数值，xyz三个轴上对应的加速度
- 陀螺仪数据
角运动检测常用数据，判断身体角度水平、倾斜、垂直
- 磁场数据
用户周围磁场强度和数值大小，帮助理解用户周围环境
磁场改变，用户的位置和场景发生变化
标签数据介绍
每行代表与特征文件中对应行的用户姿态类别，共25种
标签文件作为训练集的标准参考准则，可以进行特征的监督学习
## 任务介绍 ##
1.出现新用户，如何根据传感器数据，判断用户状态？
2.同一用户，根据当前数据，判断新数据的用户状态？