پروژه آموزشی کاوش در یادگیری نیمه نظارت و فعال برای شناخت فعالیت با الگوریتم co- training با نرم افزار متلب

در سالهای اخیر تحقیقات در مورد شناسایی فعالیتهای انسانی با استفاده از سنسورهای پوشیدنی امکان دستیابی به نتایج چشمگیر در داده های دنیای واقعی را فراهم کرده است.
با این حال ، موفق ترین الگوریتم های تشخیص فعالیت به مقادیر قابل توجهی از داده های آموزش دارای برچسب نیاز دارند.
تولید این داده ها نه تنها خسته کننده و مستعد خطا است بلکه قابلیت کاربرد و مقیاس پذیری رویکردهای امروز را نیز محدود می کند.
در این مقاله به بررسی و تجزیه و تحلیل سیستماتیک دو تکنیک مختلف می پردازیم تا میزان مورد نیاز داده های آموزش برچسب خورده را به میزان قابل توجهی کاهش دهند.
تکنیک اول مبتنی بر یادگیری نیمه نظارت است و از خودآموزی و آموزش همزمان استفاده می کند.
روش دوم از یادگیری فعال الهام گرفته است. در این رویکرد
سیستم به طور فعال می پرسد کدام کاربر باید برچسب گذاری کند.
با هر دو روش ، می توانید ضمن به دست آوردن عملکرد مشابه و حتی گاهی حتی بهتر از تکنیک های تحت نظارت استاندارد ، میزان لازم از داده های آموزشی را به میزان قابل توجهی کاهش دهید.
این آزمایشات با استفاده از یکی از بزرگترین و ثروتمندترین مجموعه داده های موجود در حال حاضر انجام می شود.

 

نمونه ها در دیتاست به این صورت هستند:
برچسب ، وضعیت حسگر ، نام حسگر ، ساعت ، تاریخ
با فعال و غیرفعال شدن تعدادی حسگر یک فعالیت انجام می شود. تعداد حسگرهای هر فعالیت باهم متفاوت است. با توجه به دیتاست نوع خروجی حسگرها متفاوت است. هر فعالیت باید به عنوان یک کالس در نظر گرفته شود و هر نمونه شامل تعدادی حسگر می باشد. هر فعالیت با کلمه begin و end شروع و تمام می شود و مابقی به صورت اشتباه برچسب خورده است. بین پایان یک فعالیت و شروع فعالیت دیگر یک سری حسگر فعال و غیر فعال می شود که این ها باید جز یک کالس به نام other در نظرگرفته شود. الگوریتم training_co باید به گونه ای پیاده شود که بتواند دیتاست زیر را دریافت کند و طبقه بندی کند به گونه ای که اگر نمونه جدیدی از این داده ها یه آن داده شد بتواند تشخیص دهد و در نهایت مقدار دقت، precisionو recall را نمایش دهد.
باتوجه به اینکه این الگوریتم باید دو دیدگاه مختلف را برای طبقه بندی درنظر بگیرد باید این دو دیدگاه کامال واضح باشد و ترجیحا یکی از دو طبقه بندی که مورد نیاز است برای این الگوریتم، bayes naïve باشد.