19 lines
1.2 KiB
TeX
19 lines
1.2 KiB
TeX
% !TEX root = documentation.tex
|
|
|
|
|
|
\titlehead{BSc Computational and Data Science\\CDS101 - Einführung in Computational und Data Science\\Dozent: Prof. Corsin Capol\hfill}
|
|
\title{Aktivitätsklassifizierung anhand von Sensordaten}
|
|
\subtitle{Anwendung und Vergleich von Random Forest, KNN und DecisionTrees auf dem UCI HAR Datensatz}
|
|
\author[1,*]{Oliver Schütz}
|
|
\author[2,*]{Michael Graber}
|
|
\affil[1,2]{Fachhochschule Graubünden}
|
|
\affil[*]{E-Mail Adressen: oliver.schuetz@stud.fhgr.ch, michael.graber@stud.fhgr.ch}
|
|
\date{\today}
|
|
\maketitle
|
|
|
|
\begin{abstract}
|
|
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} |