阿旭机器学习实战【2】KNN算法进行人体动作识别

本系列文章为机器学习实战内容，旨在通过实战的方式学习各种机器学习算法的知识，更易于掌握和学习，更过干货内容持续更新…

案例及数据集获取方式见文末。 需要的小伙伴可自行获取学习，欢迎大家一起共同学习交流。

人类动作识别问题描述

数据获取方式：

数据采集每个人在腰部穿着智能手机信号，采用嵌入式加速度计和陀螺仪，以50Hz的恒定速度捕获3轴线性加速度和3轴角速度，来获取人类动作数据。

主要进行了六个活动（步行，上楼，下楼，坐着，站立和躺着）的数据采集。

目的：

通过分析已经采集的数据集构建算法模型，来识别人类的动作类型。

导入相关数据并查看数据信息

import numpy as np

# 训练数据特征
x_train = np.load("./x_train.npy")
# 测试数据特征
x_test = np.load("./x_test.npy")
# 训练数据标签
y_train = np.load("./y_train.npy")
# 测试数据标签
y_test = np.load("./y_test.npy")

# 打印数据形状
x_train.shape,x_test.shape,y_train.shape,y_test.shape

((7352, 561), (2947, 561), (7352,), (2947,))

通过上面数据形状可以知道，该数据训练集有7352个样本，测试集有2947个样本，数据特征有561个。

# 打印前100个训练样本的标签数据
y_train[:100]

array([5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5,
       5, 5, 5, 5, 5, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4,
       4, 4, 4, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6,
       6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=int64)

可以发现有1、2、3、4、5、6这6种标签样本，分别代表人类6种动作。

其中 1 代表 步行； 2代表上楼 ；3代表下楼；4代表坐着；5代表站立；6代表躺着

# 给1-6六个标签起名字
labels = {
    1:"walking",
    2:"up",
    3:"down",
    4:"sitting",
    5:"standing",
    6:"lying"
}

构建KNN算法模型并查看准确率

from sklearn.neighbors import KNeighborsClassifier
# 创建模型
knn = KNeighborsClassifier()

# 训练
knn.fit(x_train,y_train)

# 预测
y_ = knn.predict(x_test)

# 查看准确率
knn.score(x_test,y_test)

0.9015948422124194

上述结果表明：该算法的准确率为90%，还是比较不错的。

结果分析

找出其中预测错误的10个动作，并画出其特征图像

import matplotlib.pyplot as plt
%matplotlib inline

# 设置plt面板大小
fig = plt.figure(figsize=(4*4,3*3))

error_num = 0
for i in range(500):
    # y_test表示测试数据真实标签，y_表示KNN算法预测出的结果，取出两者不相等的结果，进行特征绘图
    if y_test[i] != y_[i]:
        # 画出子轴面
        axes = fig.add_subplot(2,5,error_num+1)
        # 向每一个子轴面中画图
        axes.plot(x_test[i])
        # 设置标题
        axes.set_title("True:%s\n Predict:%s"%(labels[y_test[i]],labels[y_[i]]))
        error_num += 1
        if error_num == 10:
            break

通过上面打印出的预测错误的动作类型，我们可以发现，大部分错误类型基本都是坐着的动作识别成了站着的动作。可能是由于这两种动作信号差别较小的原因造成的。后续可针对性的对采集的信号进行改进。

如果内容对你有帮助，感谢记得点赞+关注哦！

关注下方公众号，发送：KNN人体动作识别，即可获取本文pdf及实战案例所使用的数据集。
更多干货内容持续更新中…

-------欢迎关注下方我的公众号，共同学习交流，获取更多学习资源------