Uzdevums #26
Autors:Mihai Nan
Grūtības pakāpe
Jūsu labākais rezultāts
Nav pieejams
Mums ir dots datu kopa, kas satur cilvēka kustību secības, un katra no tām sastāv no vairākiem kadriem (FrameNumber).
Katrs kadrs ietver 25 ķermeņa locītavu 3D pozīcijas, ko attēlo koordinātas:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.
Katrs kadrs ir saistīts ar secības identifikatoru (IDSample) un divām etiķetēm:
Action — veiktā darbībaCamera — kamera, kas ierakstīja secībuLai labāk izprastu 25 locītavu telpisko sadalījumu:
Katram unikālajam IDSample nosakiet, cik kadru ir pieejami testa datu kopā (test_data.csv).
Šī analīze palīdz izprast datu laika un telpas sadalījumu katrai darbībai.
Izmantojot apmācības datus, apmāciet klasifikācijas modeli, kas spēj atpazīt kadru secībā veikto darbību.
Lietojiet modeli testa datiem un katram unikālajam IDSample prognozējiet ticamāko darbību.
Modeļa veiktspēja tiks novērtēta, izmantojot precizitāti (accuracy), kas definēta kā:
Lai iegūtu pilnus punktus, sasniegtajai precizitātei jābūt vismaz 0.965.
Izmantojot apmācības datus, apmāciet modeli, kas spēj prognozēt, kura kamera ierakstījusi doto kadru secību.
Lietojiet modeli testa kopai un norādiet katram IDSample kameru, kas prognozēta kā visticamākā.
Modeļa veiktspēja atkal tiek novērtēta, izmantojot precizitāti (accuracy), kas definēta kā:
Lai iegūtu pilnus punktus, sasniegtajai precizitātei jābūt vismaz 0.8.
Gala rezultātam jābūt CSV failam ar nosaukumu output.csv, kurā ir tieši 3 kolonnas:
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | IDSample no test_data.csv | atbilstošā atbilde šim apakšuzdevumam |