将机器学习应用于IoT传感器收藏

   手编码可能会养成习惯，并产生无法预料的长期后果    很多时候，最初以简单的手工编码SQL脚本开头的内容变成了数十页的未记录，不兼容的脚本，这些页面难以重复，审核，验证和验证，结果是出现意外问题，作业延误以及额外费用。

实时流和机器学习功能    实时从手机接收加速度传感器数据，将数据推送到消息队列中，并执行机器学习对数据进行分类以进行分析，我是否提到这一切都无需手动编码即可完成？在处理方面，使用创建REST端点，可以将传感器数据发送到该端点，传感器数据被解析并推入消息队列，一旦数据进入消息队列就会使用滑动窗口从队列中读取消息，将数据通过机器学习模型传递，并准备进行可视化处理。

正在处理的数据来自移动设备上的加速度传感器     更具体地说，我们正在处理X，Y和Z轴的线性加速度，只需从传感器数据的图形中进行快速而肮脏的分析，每个轴的加速度以m / s 2表示我们可以从视觉上推断出活动分为三个阶段：低，高和中等。

为了将其转换为机器学习模型，我们希望所选模型能够将传感器数据分类为低，中或高在机器学习中，分类是指识别观察值所属的类别由于我们处理的是十进制数字，因此不太适合    回归模型将无法处理低活动，中活动和高活动所需的多类分类，最后随机森林模型允许我们针对每个轴进行分类，随机森林模型在较大的数据集上也很有效，并且可以处理数千个输入变量，随机森林模型通过获取训练集并执行随机采样以创建数据或随机“ 树”的子集来工作，创建许多树后，它将创建一个随机的“森林”，拥有许多树的好处是我们将获得更准确的数据分类预测，例如，如果森林中每10棵树中有7棵表明某个特定的传感器事件正在行走，则预期分类将在行走。

实时大数据平台随附用于机器学习的预构建组件    使用随机森林模型的第一步是使用手工分类进行训练，这意味着我们从快速而肮脏的分析中获取数据，并添加活动标签，模型编码器将使用此训练集来输出模型，以在流传输期间对活动进行分类，训练集中的标签将与人类活动相关，特别是休息，散步和跑步。

用于生成此模型的特定训练集每个活动约有150个事件    采用生成的模型并将手工分类的标签与输出进行比较，可以得出97％的准确性，为了评估机器学习模型的准确性，我们使用K折交叉验证技术并运行10个单独的学习练习，每个练习都对训练集进行划分，然后将其用作验证数据，在我们选择的模型中，该技术产生了95％的精度，在以后的博客中，我们将探讨这种验证技术以及如何使用构建。

流传输部分中使用该模型对我们的数据进行分类    在对数据进行分类之前，还可以将其捕获并存储起来，以备将来分析之用，然后准备分类的数据以进行可视化，最引人注目的部分是不需要手动编码的事实。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。