3축 가속도계(accelerometer)와 3축 자이로스코프(gyroscope)를 활용해 측정된 센서 데이터에 머신러닝 알고리즘을 적용해 운동 동작 인식 알고리즘 개발
- train_x
- ID : 사람 별 부여되는 ID (train - 총 3125개)
- time : ID 1개당 600time의 data가 있음.
- action_data : 행동데이터로 (acc_x, acc_y, acc_z, gy_x, gy_y, gy_z)로 구성됨.
- id 3125 * time 600 = 총 1875000개의 데이터
- train_y
- labels : ID하나당 label 1개 , 즉 600time의 동작data를 보아 이 사람은 이 운동을 하는 중.
- 어떤 사람의(ID의) 600time 동작데이터를 보고 어떤운동(label)을 하는지 예측하는 문제.
- ID(782)별 600time의 동작(4)데이터
- id 782 * time 600 = 총 469200개의 데이터
- defalut
- batch_size = 32
- epochs = 100
- earlystopping = 10
| Protocol | Model | val_loss | 특이사항 |
|---|---|---|---|
| 1 | base_line(lstm) | lstm 1개사용 | |
| 2 | GRU4개+earlystopping | 1.4644 | rmsprop사용, epoch22에서 stop |
| 3 | biGRU2개+earlystopping | 1.8694 | units 모두 30으로 사용, epoch24에서 stop |
| 4 | biGRU2개+earlystopping | 1.7874 | units32->64,epoch25에서 stop |
| 5 | biGRU4개+earlystopping | 1.7746 | epoch17에서 stop |
| 6 | cnn-lstm | 1.3957 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32 |
| 7 | cnn-lstm | 1.4566 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, epoch 1000으로 늘림 |
| 8 | cnn2-lstm | 1.5370 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, cnn 1층 늘림 |
| 9 | cnn2-lstm | 1.3853 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, cnn 1층 늘림, epoch1000 |
| 10 | cnn2-lstm | 1.3614 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, cnn 1층 늘림, epoch1000, adam -> rmsprop |
| 11 | cnn2-lstm | 1.4994 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, cnn 1층 늘림, epoch1000, adam -> rmsprop, batch=16 |
| 12 | cnn2-Bilstm | 1.0629 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, cnn 1층 늘림, epoch1000, adam -> rmsprop |
| 13 | cnn2-Bilstm2 | 0.9169 | filter=128, maxpooling, spatialDropout=0.4,LSTM unit32, epoch1000, adam -> rmsprop |
| 14 | cnn2-Bilstm2 | 0.8615 | filter=128, maxpooling,LSTM unit32,64, epoch1000, adam -> rmsprop, Dropout뺌 |
| 15 | aug2_cnn2-Bilstm3 | 0.1643 | filter=128, maxpooling,LSTM unit32,64,128 epoch1000, adam -> rmsprop, Dropout뺌, Data증강 |
| 16 | aug1_cnn2-Bilstm3 | 0.8511 | filter=128, maxpooling,LSTM unit32,64,128 epoch1000, adam -> rmsprop, Dropout뺌, Data증강 |
| 17 | aug1_cnn2-Bilstm3 | 0.9857 | filter=128, maxpooling,LSTM unit32,64,128 epoch1000, adam -> rmsprop, Data증강 |
| 18 | aug1_cnn3-Bilstm3 | 0.9620 | filter=128, maxpooling,LSTM unit32,64,128 epoch1000, adam -> rmsprop, Dropout뺌, Data증강 |
| 19 | aug1_cnn3-Bilstm2 | 0.8022 | filter=128, maxpooling,LSTM unit32,64 epoch1000, adam -> rmsprop, Dropout뺌, Data증강 |
| 20 | aug1_cnn2-Bilstm4 | 0.8790 | filter=128, maxpooling,GRU unit32,64 epoch1000, adam -> rmsprop, Dropout뺌, Data증강 |
| 21 | aug2_cnn2-Bilstm3 | filter=128, maxpooling,GRU unit32,64 epoch1000, adam -> rmsprop, Dropout뺌, Data증강2번 |
- 일반GRU가 biGRU보다 성능우수
- unit개수는 일정한것 보다 확장되는것이 성능이 더 우수함.
- 배치는 16보다 32가 더 우수
- 드롭아웃 안하는게 더 성능 좋음
- optimizer = adam < rmsprop
- [15] : 데이터 증강한게 훨씬 성능 잘나오나 test낮음 , test log loss는 1.02
- 시작부터 train과 val 분리 후 데이터 증강 및 학습 -> val_loss와의 차이가 줄어듬, 가장 성능이 좋았음 test_loss는 약 0.9
- 레이어가 많을수록 성능줄어드는듯.
- cnn보다 lstm이 더 많을수록 test성능이 좋음
- bilstm이 bigru보다 성능 좋음
- lstm3개가 4개보다 성능좋았음
- 데이터증강 한번더해보기
- cnn-lstm의 구조
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent