LaTEX final commit
parent
ef5b36550b
commit
77ba7fe25e
Binary file not shown.
|
@ -12,5 +12,8 @@
|
|||
\maketitle
|
||||
|
||||
\begin{abstract}
|
||||
Folgt
|
||||
Diese Arbeit untersucht die Zuverlässigkeit der Aktivitätserkennung anhand von Smartphone-Sensordaten des UCI Human Activity Recognition Datasets.\\
|
||||
Nach einer Feature-Selection mittels Korrelationsanalyse wurden drei Klassifikationsverfahren (Decision Tree, KNN und Random Forest) trainiert und anhand des F1-Scores bewertet.\\
|
||||
Random Forest und KNN lieferten durchschnittliche Ergebnisse, während der Decision Tree signifikant schlechter war.
|
||||
Damit zeigt sich, dass eine grundlegende Aktivitätserkennung möglich ist, jedoch noch Optimierungspotenzial hinsichtlich Modellwahl und Datenaufbereitung besteht.
|
||||
\end{abstract}
|
Loading…
Reference in New Issue