Разработка алгоритма анализа данных с помощью машинного обучения для контроля тренировочного процесса | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 18 июля, печатный экземпляр отправим 22 июля.

Опубликовать статью в журнале

Автор:

Рубрика: Технические науки

Опубликовано в Молодой учёный №23 (313) июнь 2020 г.

Дата публикации: 09.06.2020

Статья просмотрена: 4 раза

Библиографическое описание:

Гришин, А. П. Разработка алгоритма анализа данных с помощью машинного обучения для контроля тренировочного процесса / А. П. Гришин. — Текст : непосредственный // Молодой ученый. — 2020. — № 23 (313). — С. 97-101. — URL: https://moluch.ru/archive/313/71293/ (дата обращения: 07.07.2020).



Современный этап развития интернет-технологий связан с всё большим охватом потребителей услугами электронных сервисов, основанных на реализации распределённых технологий, обеспечивающих возможность сократить затраты предприятий предоставляющих услуги различного рода, в частности услуги по обслуживанию компьютерной техники, как на сопровождение программного продукта, так и на потребляемые вычислительные мощности. При этом развитие конкуренции требует всё более развитых методов привлечения клиентов, что в свою очередь приводит к необходимости внедрения новых сервисов, обеспечивающих клиентов дополнительными услугами в зависимости от их интересов.

Актуальность выбранной темы обосновывается тем, что на современном этапе развития мира все большую необходимость приобретает автоматизация управления действиями, в том числе исполнение, управление и контроль задач. С помощью технологий разработки автоматизации таких действий можно создать по-настоящему сложные системы, которые очень сильно облегчат жизнь и упростят планирование и анализ времени. Необходимость разработки таких систем увеличивает развитие машинного обучения, с помощью которого можно сделать поистине.

Распределенная информационная система в узком смысле, с позиции программного обеспечения (ПО) это совокупность взаимодействующих друг с другом программных компонентов. Каждый из таких компонентов может рассматриваться как программный модуль (приложение), исполняемый в рамках отдельного процесса.

При рассмотрении архитектуры системы есть несколько вопросов, которые необходимо осветить, например: какие компоненты стоит использовать, как они совмещаются друг с другом, и на какие компромиссы можно пойти. Вложение денег в масштабирование без очевидной необходимости в ней не может считаться разумным деловым решением. Однако, некоторая предусмотрительность в планировании, может существенно сэкономить время и ресурсы в будущем.

В данной работе необходимо спроектировать и создать распределенную информационную систему исполнения, управления и контроля задачами на примере сервиса для контроля тренировок спортсменов.

Важной частью работы будет создание алгоритма контроля тренировочного процесса, так как данный метод отсутствует практически во всех современных системах.

Разработка алгоритма анализа и контроля тренировочного процесса на основе машинного обучения

Цель проекта — предсказать, каким образом спортсмены выполняли упражнение и на основании результата дать совет как выполнять его правильнее. В итоге должен получиться алгоритм рекомендации пользователю правильности выполнения упражнения для более детального контроля тренинга.

Всего есть 5 разных классов для представления результатов и рекомендаций:

– класс А — точно по спецификации;

– класс B — бросание локтей вперед;

– класс C — поднимать гантели только наполовину;

– класс D — опускание гантели только наполовину;

– класс E — бросание бедер вперед.

Изначальные данные были взяты с открытого ресурса, которые сформированы благодаря спортивному браслету и предполагаются для обучения системы. Все упражнения в этом наборе выполнял профессиональный спортсмен в точном соответствии со всеми стандартами. Очень малая часть данных представлена в таблице 1.

Таблица 1

Данные для обучения

user_name

roll_belt

pitch_belt

total_accel_belt

raw_timestamp_part_2

raw_timestamp_part_2

carlitos

1,41

8,07

-94,4

NA

NA

carlitos

1,41

8,07

-94,4

NA

NA

carlitos

1,42

8,07

-94,4

NA

NA

carlitos

1,48

8,05

-94,4

NA

NA

Тестовые данные, которые впоследствии будет необходимо анализировать представлены с некоторым набором анализируемых данных и соответствуют тем же параметрам что и в обучающем наборе, но уже для 20 различных тестовых случаев, в которых люди выполняли упражнения точно в соответствии с классами ошибок. Эта часть работы нужно для проверки правильно обучения. В таблице 2 представлены пять тестовых случаев.

Таблица 2

Данные для анализа тестовых случаев

user_name

roll_belt

pitch_belt

total_accel_belt

raw_timestamp_part_2

raw_timestamp_part_2

Jeremy

1,02

4,87

-88,9

NA

NA

Adelmo

0,87

1,82

-88,5

NA

NA

Eurico

1,35

3,33

-88,6

NA

NA

Pedro

1,02

1,59

-87,3

NA

NA

Для расшифровки переменных и понимания их значений можно обратиться к приложению А1.

Это довольно малая часть столбцов, также есть множество имеющих численные переменные и множество имеющих пустые значения или значения NA. Пустые значения, значения NA и значения, мало влияющие на точность прогноза, будут очищены. Узнать, какие переменные имеют наибольший вес, можно будет увидеть далее, когда будет построена корреляционная матрица.

Перед составлением самой программы, необходимо загрузить и обучить данные. Далее необходимо очистить данные от множества ненужных для анализа столбцов. После удаления можно будет посмотреть сколько полезных переменных остается в фрейме данных. Эти процессы выполняются на обучающем наборе, проверочном наборе и тестовом наборе, поскольку предполагается, что все три набора происходят из одного и того же распределения.

Анализ показывает, что наивная байесовская модель работает плохо (точность = 23,94 %) по сравнению со случайным лесом (точность = 99,95 %). Это говорит о том, что случайный лес более предпочтительная модель.

Для прогнозирования было необходимо рассмотреть подробнее точность прогнозирования с частотой ошибки, в таблице 3 можно увидеть результат прогнозов. Приведенная ниже матрица показывает, какие прогнозы в тестируемом подмножестве были правильными, а какие — нет. Прогнозы основаны на столбцах, а строки — на фактических значениях. Недиагональные элементы — это ошибки.

Таблица 3

Матрица точности прогнозирования тестового набора

A

B

C

D

E

A

2225

14

0

0

0

B

5

1497

15

0

1

C

1

6

1345

22

0

D

0

1

8

1263

1

E

1

0

0

1

1440

Связи между количественными переменными можно представить в виде корреляционной матрицы. Корреляционная матрица всегда симметрична (коэффициент корреляции между переменными X и Y равен коэффициенту корреляции между переменными Y и X).

Корреляционная матрица переменных показана на рисунке 1. Данная матрица показывает то, какие переменные влияют на точность прогноза, а также эти что переменные имеют строгую и прямую связь.

C:\Users\Алексей\Desktop\Без названия.png

Рис. 1. Корреляционная матрица переменных

Необходимо визуализировать дерево решений, которое поможет понять, как та или иная переменная влияет на выбор ошибки выполнения. Визуализация дерева решений продемонстрирована на рисунке 2.

C:\Users\Алексей\Desktop\Без названия (1).png

Рис. 2. Визуализация дерева решений

Теперь, на основе дерева решений, можно попробовать сделать прогноз и после этого посмотреть, как точно программа определить класс ошибки выполнения. Были взяты значения 2 претендентов под порядковыми номерами 6,7.

Определим класс для участника с именем Jeremy в таблице 4, следуя строго по дереву решений. Мы видим, что последнее значение — 0,13, что является классом E.

Таблица 4

Значения для участника сименем Jeremy

roll_belt

pitch_forearm

magnet_dumbbell_y

roll_forearm

accel_forearm_x

magnet_dumbbell_z

gyros_belt_z

-5,92

1,46

262

150

230

96

0,13

Определим класс для участника с именем Jeremy в таблице 6, следуя строго по дереву решений. Мы видим, что последнее значение — 15, что является классом D.

Таблица 5

Значения для участника сименем Eurico

roll_belt

pitch_forearm

magnet_dumbbell_y

roll_forearm

accel_forearm_x

magnet_arm_y

1,2

34,5

354

155

-192

15

Далее, необходимо перейти к результатам прогнозирование тестового набора. Для каждого тестового набора получены рекомендации и теперь каждый спортсмен может контролировать процесс выполнения. Результат прогнозирования можно увидеть на рисунке 3.

Рис. 3. Результат прогнозирования

Сравнивая результаты участников 6 и 7 из анализа по дереву решений самостоятельно и анализа с помощью программы можно сделать вывод, что модель делает точный прогноз и программа работает хорошо.

Для интеграции с задачами проекта необходимо модифицировать программу, чтобы при использовании одним человеком она не только давала класс ошибки, но и давала рекомендации по ошибкам выполнения и их влиянию на человека, а также правильному выполнению упражнению. Для этого, нужно дополнить классы тестовым описанием ошибок и рекомендаций по выполнению.

После выполненных действий, нужно провести прогнозирование одного набора данных для одного участника и дать ему рекомендации. Прогнозирование для одного участника можно увидеть на рисунке 4.

Рис. 4. Прогнозирование результата выполнения упражнения для участника под именем Jacki

Таким образом, программу можно использовать для прогнозирования результата выполнения упражнения. Пользователи смогут точно знать, что и как они неправильно делали и в итоге, контролировать тренировочный процесс.

За основу разработки была взят алгоритм на основе машинного обучения, который будет учиться советовать спортсмену правильность выполнения упражнений и рекомендации на основе сделанных ошибок. Важным аспектом разработки являлся выбор языка, в итоге выбор пал на язык R, так как он может работать с большими массивами данных и обладает рядом встроенных библиотек. Методами анализа данных было решено использовать случайный лес и наивный байесовский классификатор, чтобы понять какой из них будет наиболее эффективен. Алгоритм основывается на 2 массивах данных: тестового и прогнозируемого. На тестовых данных происходило обучение системы, чтобы в итоге спрогнозировать ошибки выполнения из 2 набора данных. В итоге, была разработана программа, которая просчитывает то, как человек выполнял упражнение и дает совет по правильному выполнению, а также то, чем может обернуться такое неправильное выполнение упражнение.

Литература:

1 Домингос, П. Верховный алгоритм. Как машинное обучение изменит наш мир [Текст] / П. Домингос. — М.: Манн, Иванов и Фербер, 2016. — 656 c.

2 Breiman, L. Random forests [Текст] / L. Breiman. — Berkeley: Statistics Department, 2019. — 32 p.

3 Qualitative Activity Recognition of Weight Lifting Exercises [Электронный ресурс] // Groupware@LES: свободный ресурс. — Электрон. дан. — [Б. м.], 2020. — URL: http://groupware.les.inf.puc-rio.br/public/papers/2013.Velloso.QAR-WLE.pdf (дата обращения: 06.05.2020).

4 Commonly used Machine Learning Algorithms (with Python and R Codes) [Электронный ресурс] // Analytics Vidhya: свободный ресурс. — Электрон. дан. — [Б. м.], 2017. — URL: https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/ (дата обращения: 26.04.2020).

Основные термины (генерируются автоматически): тестовый набор, дерево решений, таблица, переменная, класс, данные, тренировочный процесс, машинное обучение, корреляционная матрица, последнее значение.


Похожие статьи

Предсказание уходов пользователей сервиса с помощью...

Преимущества использования деревьев решений: ‒ быстрый процесс обучения.

Корреляционный анализ представлен в электронной таблице в виде квадратной матрицы (рис. 6).

В качестве целевой функции (ЦФ) выбирается переменная при поиске и при поиске , а...

Анализ эффективности применения методов классификации

Дерево принятия решений — средство поддержки принятия решений, использующееся в статистике и анализе данных для прогнозных моделей. Среди прочих методов ИАД, метод дерева принятия решений имеет несколько достоинств: прост в понимании и интерпретации...

Деревья решения для задач построения рейтинга коммерческих...

дерево, машинное обучение, параметр, дерево решений, случайный лес, набор данных, CART, алгоритм построения, CLOPE, тестовый набор

Набор данных для обучения, который предоставляет Университет Джонса Хопкинса. Похожие статьи. Деревья решения для задач...

Сравнительный анализ алгоритмов нейронной сети и деревьев...

Дерево решений, связанное с большинством других методов, используют в рамках критериев отбора так же для поддержки выбора определенных данных в рамках общей структуры. Дерево решений начинают с простого вопроса, который имеет два ответа (но возможно и больше).

Применение машинного обучения для обнаружения сетевых...

Применение методов машинного обучения для обнаружения вторжений позволит автоматически построить модель, основанную на наборе обучающих данных, которая содержит экземпляры данных, описанных с помощью набора атрибутов (признаков).

Метод определения весов параметров из набора входящих...

дерево, машинное обучение, параметр, дерево решений, случайный лес, набор данных, CART, алгоритм построения, CLOPE, тестовый набор данных. Методы интеллектуального анализа данных в диагностировании... Для каждого выявленного нарушения параметра на...

Сравнение методов оценки тональности текста | Статья в журнале...

деревья решений (Decision tree); – наивный байесовский классификатор (Naive Bayes Classifier)

В этом разделе выполнялось тестирование классификатора на разных алгоритмах машинного обучения. По каждому тесту приведены матрицы неточностей и таблицы с...

Методы интеллектуального анализа данных в диагностировании...

Контролируемые методы машинного обучения как средство...

Дерево принятия решений — средство поддержки принятия решений, использующееся в статистике и анализе

Дерево решений может быть использовано для классификации точки данных, начиная с корня дерева...

Контролируемые методы машинного обучения как средство...

Применение методов машинного обучения для обнаружения вторжений позволит автоматически построить модель, основанную на наборе обучающих данных, которая содержит экземпляры данных, описанных с помощью набора атрибутов (признаков).

Применение методов искусственного интеллекта в спорте

Машинное обучение (machine learning-ML) — это обширный подраздел AI, изучающий методы построения самообучающихся моделей. Интеллектуальный анализ данных использует методы ML для извлечения нетривиальной и потенциально полезной информации из огромных...

Похожие статьи

Предсказание уходов пользователей сервиса с помощью...

Преимущества использования деревьев решений: ‒ быстрый процесс обучения.

Корреляционный анализ представлен в электронной таблице в виде квадратной матрицы (рис. 6).

В качестве целевой функции (ЦФ) выбирается переменная при поиске и при поиске , а...

Анализ эффективности применения методов классификации

Дерево принятия решений — средство поддержки принятия решений, использующееся в статистике и анализе данных для прогнозных моделей. Среди прочих методов ИАД, метод дерева принятия решений имеет несколько достоинств: прост в понимании и интерпретации...

Деревья решения для задач построения рейтинга коммерческих...

дерево, машинное обучение, параметр, дерево решений, случайный лес, набор данных, CART, алгоритм построения, CLOPE, тестовый набор

Набор данных для обучения, который предоставляет Университет Джонса Хопкинса. Похожие статьи. Деревья решения для задач...

Сравнительный анализ алгоритмов нейронной сети и деревьев...

Дерево решений, связанное с большинством других методов, используют в рамках критериев отбора так же для поддержки выбора определенных данных в рамках общей структуры. Дерево решений начинают с простого вопроса, который имеет два ответа (но возможно и больше).

Применение машинного обучения для обнаружения сетевых...

Применение методов машинного обучения для обнаружения вторжений позволит автоматически построить модель, основанную на наборе обучающих данных, которая содержит экземпляры данных, описанных с помощью набора атрибутов (признаков).

Метод определения весов параметров из набора входящих...

дерево, машинное обучение, параметр, дерево решений, случайный лес, набор данных, CART, алгоритм построения, CLOPE, тестовый набор данных. Методы интеллектуального анализа данных в диагностировании... Для каждого выявленного нарушения параметра на...

Сравнение методов оценки тональности текста | Статья в журнале...

деревья решений (Decision tree); – наивный байесовский классификатор (Naive Bayes Classifier)

В этом разделе выполнялось тестирование классификатора на разных алгоритмах машинного обучения. По каждому тесту приведены матрицы неточностей и таблицы с...

Методы интеллектуального анализа данных в диагностировании...

Контролируемые методы машинного обучения как средство...

Дерево принятия решений — средство поддержки принятия решений, использующееся в статистике и анализе

Дерево решений может быть использовано для классификации точки данных, начиная с корня дерева...

Контролируемые методы машинного обучения как средство...

Применение методов машинного обучения для обнаружения вторжений позволит автоматически построить модель, основанную на наборе обучающих данных, которая содержит экземпляры данных, описанных с помощью набора атрибутов (признаков).

Применение методов искусственного интеллекта в спорте

Машинное обучение (machine learning-ML) — это обширный подраздел AI, изучающий методы построения самообучающихся моделей. Интеллектуальный анализ данных использует методы ML для извлечения нетривиальной и потенциально полезной информации из огромных...

Задать вопрос