Indlæser...
Opgave #26
Forfatter:Mihai Nan
Sværhedsgrad
Din bedste score
N/A
Vi har fået et datasæt, der indeholder sekvenser af menneskelige bevægelser, hver sammensat af flere frames (FrameNumber).
Hver frame inkluderer de 3D-positioner af 25 kropsled, repræsenteret ved koordinaterne:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.
Hver frame er forbundet med en sekvensidentifikator (IDSample) og to labels:
Action — den udførte handlingCamera — det kamera, der optog sekvensenFor bedre at forstå den rumlige fordeling af de 25 led:
For hver unik IDSample skal du bestemme, hvor mange frames der er tilgængelige i test-datasættet (test_data.csv).
Denne analyse hjælper med at forstå den tidsmæssige og rumlige fordeling af data for hver handling.
Brug træningsdataene til at træne en klassifikationsmodel, der er i stand til at genkende den handling, der udføres i en sekvens af frames.
Anvend modellen på testdataene og forudsige den mest sandsynlige handling for hver unik IDSample.
Modellens ydeevne vil blive evalueret ved hjælp af nøjagtighed (accuracy), defineret som:
For at opnå fulde point skal den opnåede nøjagtighed være mindst 0.965.
Brug træningsdataene til at træne en model, der er i stand til at forudsige, hvilket kamera der har optaget en given sekvens af frames.
Anvend modellen på testsættet og angiv det kamera, der forudsiges som mest sandsynligt for hver IDSample.
Modellens ydeevne evalueres igen ved hjælp af nøjagtighed (accuracy), defineret som:
For at opnå fulde point skal den opnåede nøjagtighed være mindst 0.8.
Det endelige resultat skal være en CSV-fil ved navn output.csv, som indeholder præcis 3 kolonner:
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | IDSample fra test_data.csv | tilsvarende svar for den subtask |