Journal des technologies de l'information et du génie logiciel
Libre accès

Abstrait

Une étude comparative des modèles de classification d'apprentissage automatique pour la reconnaissance d'activités

Mohsen Nabian

Les systèmes de reconnaissance d'activité (AR) sont des modèles d'apprentissage automatique développés pour les téléphones portables et les objets connectés afin de reconnaître diverses activités humaines en temps réel telles que la marche, la station debout, la course et le vélo. Dans cet article, les performances (précision et temps de calcul) de plusieurs modèles d'apprentissage supervisés et non supervisés bien connus, notamment la régression logistique, la machine à vecteurs de support, les K-plus proches voisins, la base naïve, l'arbre de décision et la forêt aléatoire sont examinées sur un ensemble de données. Il est démontré que le modèle de forêt aléatoire surpasse les autres modèles avec une précision de plus de 99 %. Il est démontré que l'ACP a considérablement amélioré les performances des réseaux neuronaux artificiels à une couche cachée et des modèles SVM en termes de précision et de temps, tandis que l'ACP a montré qu'elle avait des impacts négatifs sur les modèles de forêt aléatoire ou d'arbre de décision en augmentant le temps d'exécution et en diminuant la précision de la prédiction.