Machine learning 如何使用机器学习从一系列数据计算状态图?
通用配方 我有一个数据集,由一系列点组成,每个点有12个特征 我对检测此数据中的事件感兴趣 在训练数据中,我知道事件发生的时刻。 当事件发生时,我可以在事件之前的点序列中看到一个可观察的模式。该图案由大约300个连续点构成 我感兴趣的是检测事件何时以无限的点序列发生 分析发生在事后。我对预测事件是否会发生不感兴趣 具体例子 你可以跳过这一节 我正在打造一款可穿戴设备,需要在老人摔倒时进行检测。它将被戴在手腕上,就像手表一样,它有一个IMU(三轴加速计、三轴陀螺仪和磁强计) 最相关的数据是Z轴上的绝对加速度,但还有许多其他信息需要考虑,因为手的运动很复杂,可能会产生许多误报 基于绝对Z加速度的人类可观察模式由3种状态组成:Machine learning 如何使用机器学习从一系列数据计算状态图?,machine-learning,state-machine,hidden-markov-models,markov-chains,supervised-learning,Machine Learning,State Machine,Hidden Markov Models,Markov Chains,Supervised Learning,通用配方 我有一个数据集,由一系列点组成,每个点有12个特征 我对检测此数据中的事件感兴趣 在训练数据中,我知道事件发生的时刻。 当事件发生时,我可以在事件之前的点序列中看到一个可观察的模式。该图案由大约300个连续点构成 我感兴趣的是检测事件何时以无限的点序列发生 分析发生在事后。我对预测事件是否会发生不感兴趣 具体例子 你可以跳过这一节 我正在打造一款可穿戴设备,需要在老人摔倒时进行检测。它将被戴在手腕上,就像手表一样,它有一个IMU(三轴加速计、三轴陀螺仪和磁强计) 最相关的数据是Z轴上的
我不确定马尔可夫模型是否适用,是否适用,我不知道如何计算模型。隐马尔可夫模型对于序列中的事件检测来说并不少见,特别是将特定事件的帧与序列中的“背景信号”分离 最基本的实现方法是连接2个HMM,一个专门用于“信号”建模,另一个专门用于背景建模,适当组合以允许像背景-->信号-->背景这样的转换 一个具体的例子是语音识别中的关键词识别(将“关键词”与背景信号分开)。本手册第11.2节中有简要说明。参考中的图11.1可能是您正在寻找的模型拓扑 其他替代方法是带有滑动窗口的二元分类。例如,在(其他备选方案中)中对此进行了讨论