Cargando...
Problema #26
Autor:Mihai Nan
Dificultad
Tu mejor puntuación
N/D
Se proporciona un conjunto de datos que contiene secuencias de movimientos humanos, cada una compuesta por múltiples fotogramas (FrameNumber).
Cada fotograma incluye las posiciones 3D de 25 articulaciones corporales, representadas por las coordenadas:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.
Cada fotograma está asociado con un identificador de secuencia (IDSample) y dos etiquetas:
Action — la acción realizadaCamera — la cámara que registró la secuenciaPara comprender mejor la distribución espacial de las 25 articulaciones:
Para cada IDSample único, determine cuántos fotogramas están disponibles en el conjunto de datos de prueba (test_data.csv).
Este análisis ayuda a comprender la distribución espacio-temporal de los datos para cada acción.
Utilizando los datos de entrenamiento, entrene un modelo de clasificación capaz de reconocer la acción realizada en una secuencia de fotogramas.
Aplique el modelo a los datos de prueba y, para cada IDSample único, prediga la acción más probable.
El rendimiento del modelo se evaluará mediante la precisión (accuracy), definida como:
Para obtener la puntuación completa, la precisión alcanzada debe ser de al menos 0.965.
Utilizando los datos de entrenamiento, entrene un modelo capaz de predecir qué cámara registró una secuencia determinada de fotogramas.
Aplique el modelo al conjunto de prueba y especifique, para cada IDSample, la cámara predicha como más probable.
El rendimiento del modelo se evalúa nuevamente mediante la precisión (accuracy), definida como:
Para obtener la puntuación completa, la precisión alcanzada debe ser de al menos 0.8.
El resultado final debe ser un archivo CSV llamado output.csv, que contenga exactamente 3 columnas:
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | IDSample de test_data.csv | respuesta correspondiente para esa subtarea |