MotionAI Machine Learning

Questa repository contiene il codice per un progetto di Machine Learning che utilizza un modello di Random Forest per classificare diverse attività motorie come driving, running, stationary e walking. Oltre all'addestramento esegue anche una parte di preprocessing dei dati.

Contenuto della repository

• csv_edit.py: Script per unire più file CSV contenenti dati raccolti dall'accelerometro in 4 file, uno per ogni attività. tali file sono stati ottenuti dalla repository presente al seguente link: STMicroelectronics Human activities dataset, apparte per i dati di driving che sono stati raccolti personalmente.
• csv_index.py: Aggiunge l'header (X (mg);Y (mg); Z (mg)) ai file csv.
• preprocessing.py: Raccoglie i dati dell'accelerometro dai file driving.csv, running.csv, stationary.csv e walking.csv, ogni 60 campioni calcola, per ogni coordinata: le medie, le varianze, i valori picco picco ed il numero di zero crossings, creando un unico dataframe e memorizzandolo nel file dataset.csv.
• random_forest.py: Usa i dati raccolti nel file dataset.csv per addestrare un modello di Random Forest e per valutarne le prestazioni stampando in terminale l'accuratezza e il classification report (formato dai valori di precision, recall, f1-score e support). Infine crea la matrice di confusione tramite matplotlib e seaborn.
• random_forest.onnx: Modello di Random Forest addestrato, serializzato e memorizzato in un formato compatibile con il linguaggio Kotlin.

Funzionalità

1. Preprocessing: Gli script csv_index.py, csv_edit.py e preprocessing.py preparano i dati grezzi dell'accelerometro per formare le feature di addestramento, ottenendo così un unico DataFrame e memorizzandolo in dataset.csv.
2. Addestramento del modello: Lo script random_forest.py carica il file dataset.csv, separa le feature dal target, divide i dati in set di addestramento e test, addestra un modello di Random Forest e visualizza le sue prestazioni.
3. Valutazione del modello: Le prestazioni valutate consistono in: accuratezza del modello, report di classificazione e matrice di confusione per le diverse classi di attività.

Requisiti

• Python 3.x
• pandas
• scikit-learn
• numpy
• matplotlib
• seaborn

Esecuzione

1. Eseguire in ordine csv_index.py, csv_edit.py e preprocessing.py per generare il file dataset.csv.
2. Eseguire random_forest.py per addestrare il modello di Random Forest, generare il file random_forest.onnx e visualizzarne le prestazioni.