MOTIONAI

Training

Il modello di machine learning è stato addestrato utilizzando un dataset pre-elaborato, il quale è stato Successivamente suddiviso in due parti: 80% di osservazioni per l'addestramento e il 20% per il test. Il modello è stato addestrato utilizzando la libreria scikit-learn di Python.

Dataset

Il dataset è stato ottenuto raggruppando i dati raccolti in finestre temporali di circa 2 secondi (60 campioni considerando la frequenza di campionamento di 30 Hz) Questo approccio permette di ottenere un'analisi accurata dei dati e di estrarre le informazioni necessarie per il riconoscimento delle attività. In particolare, le coordinate spaziali per le classi Running, Walking e Stationary sono state raccolte da STMicroelectronics e sono accessibili alla seguente repository: STMicroelectronics HAR Dataset, mentre i dati relativi alla classe Driving sono stati raccolti appositamente per il progetto.

Il modello Random Forest è stato addestrato e testato utilizzando un dataset composto da 2.590 istanze e 12 features:

• Media X: Media dei valori sull'asse X.
• Media Y: Media dei valori sull'asse Y.
• Media Z: Media dei valori sull'asse Z.
• Varianza X: Varianza dei valori sull'asse X.
• Varianza Y: Varianza dei valori sull'asse Y.
• Varianza Z: Varianza dei valori sull'asse Z.
• Peak to Peak X: Differenza tra il valore massimo e minimo sull'asse X.
• Peak to Peak Y: Differenza tra il valore massimo e minimo sull'asse Y.
• Peak to Peak Z: Differenza tra il valore massimo e minimo sull'asse Z.
• Zero Crossings X: Numero di attraversamenti dello zero sull'asse X.
• Zero Crossings Y: Numero di attraversamenti dello zero sull'asse Y.
• Zero Crossings Z: Numero di attraversamenti dello zero sull'asse Z.

Classification Report

Durante la fase di addestramento del modello, sono state valutate le prestazioni del modello di riconoscimento. In particolare, sono stati analizzati i seguenti aspetti:

• Accuracy: Percentuale di riconoscimenti corretti sul totale delle istanze. Indica la performance complessiva del modello.
• Precision: Percentuale di riconoscimenti corretti tra tutti quelli effettuati per una classe specifica. Misura quanto il modello sia affidabile quando classifica un'istanza in una determinata classe. Permette di valutare la capacità del modello di non etichettare erroneamente un'istanza come appartenente a una classe diversa.
• Recall: Percentuale di riconoscimenti corretti tra tutte le istanze effettive di una classe. Misura la capacità del modello di identificare tutte le istanze di una classe. Permette di valutare la capacità del modello di non etichettare erroneamente un'istanza come appartenente a una classe diversa.
• F1-Score: Media armonica tra Precision e Recall. Un buon bilanciamento tra queste due metriche indica una performance stabile.
• Support: Rappresenta il numero totale di istanze effettive (vere) presenti in ciascuna classe nel dataset di test.

Dalla tabella si può notare che il modello Random Forest dimostra un'ottima capacità di riconoscere le diverse attività, con valori di precision, recall e F1-score molto vicini al 100\% per tutte le classi. La classe "Stationary" mostra una leggera diminuzione nel fattore di Recall, mentre "Walking" ha una leggera diminuzione di precision. Tuttavia, queste differenze non influiscono molto sulla qualità generale del modello.

Confusion Matrix

Dalla matrice si osserva che il modello Random Forest si comporta in maniera eccellente, con la maggior parte delle classificazioni corrette collocate lungo la diagonale principale. In particolare:

• La classe Driving è classificata quasi perfettamente, con solo un'istanza riconosciuta erroneamente come "Walking".
• La classe Running mostra prestazioni impeccabili, con una classificazione corretta al 100%.
• La classe Stationary ha un'alta accuratezza, sebbene si notino alcuni errori: un'istanza è stata identificata come "Driving" e quattro come "Walking".
• La classe Walking ha lievi problemi di classificazione, con alcune istanze confuse con la classe "Stationary", ma mantiene comunque un elevato livello di precision e recall.

Cross Validation

Per valutare le prestazioni del modello Random Forest, è stata utilizzata la tecnica di Cross Validation. Questa tecnica permette di suddividere il dataset in k parti, addestrare il modello su k-1 parti e testarlo sulla parte rimanente. Questo processo viene ripetuto k volte, in modo che ogni parte del dataset venga utilizzata almeno una volta come set di test. Questa tecnica permette di ottenere una stima più accurata delle prestazioni del modello, riducendo il rischio di overfitting e fornendo una valutazione più affidabile della sua capacità di generalizzazione.

In particolare è stata utilizzata la tecnica Leave One Out Cross Validation (LOOCV), in cui il dataset viene suddiviso in k parti, con k uguale al numero di istanze presenti nel dataset. Questa tecnica è particolarmente utile quando si dispone di un numero limitato di istanze, poiché permette di utilizzare al meglio i dati disponibili per l'addestramento e la validazione del modello.

Si osserva che, con la tecnica LOOCV, il modello Random Forest ha ottenuto un'accuracy del 97.45% con una varianza pari circa a 0.0248, confermando l'efficacia del modello nel riconoscere le diverse attività. Questi risultati confermano la validità del modello Random Forest e la sua capacità di generalizzare correttamente le attività riconosciute.