tecniche di classificazione e predizione delle ... - DSpace@Roma3

More documents

Recommendations

Info

Tecniche di classificazione e predizione delle attività motorie per telemonitoraggio e teleriabilitazione Questo algoritmo risulta essere più robusto del precedente nell’allineamento dei due segnali sia rispetto a variazioni dei due segnali lungo l’asse delle ordinate (cioè variazioni in ampiezza), sia rispetto ad alcuni punti di singolarità come mostrato in Figura 7 : Figura 7 - Confronto tra DTW DDTW 30
Tecniche di classificazione e predizione delle attività motorie per telemonitoraggio e teleriabilitazione 2.1.3 Le tecniche di clustering Le tecniche di clustering nascono dalla necessità di partizionare un insieme di dati in gruppi (o clusters) omogenei, tali da rappresentare una classe rispetto ad un’altra o da isolare una particolare proprietà rispetto ad un’altra. Essi infatti sono costituiti da algoritmi che hanno come obiettivo la ricerca di clusters omogenei minimizzando una particolare funzione di costo definita attraverso misure di distanza di tipo euclideo fra i punti del nostro spazio e le medie dei gruppi. Le tecniche di clustering si dividono essenzialmente in due tipologie: • Dal basso verso l'alto (Bottom-Up): Questa filosofia prevede che inizialmente tutti gli elementi siano considerati come cluster e poi l'algoritmo continua ad agglomerare i dati unendo via via i cluster omogenei fino ad ottenere un numero prefissato di cluster, oppure fino a che la distanza minima tra i cluster non supera un certo valore. • Dall'alto verso il basso (Top-Down): All'inizio tutti gli elementi costituiscono un unico cluster e poi l'algoritmo inizia a dividere il cluster in tanti cluster di dimensioni inferiori. Il criterio che guida la divisione è sempre quello di cercare di ottenere elementi omogenei. L'algoritmo procede fino a che non ha raggiunto un numero prefissato di cluster. Una tra i più noti e più usati algoritmi di clustering è l’algoritmo del k-means. L’algoritmo del k-mean minimizza la varianza totale tra i cluster. Ogni cluster viene identificato mediante un centroide o punto medio. L'algoritmo segue una procedura iterativa che inizialmente crea K cluster ognuno con uno degli elementi da classificare. Per ogni cluster viene stimato anche il suo centroide (zi) . 31
Page 1 and 2: Scuola Dottorale di Ingegneria Sezi
Page 3 and 4: Indice Tecniche di classificazione
Page 5 and 6: Tecniche di classificazione e predi
Page 17 and 18: Capitolo 2 Tecniche di classificazi
Page 21 and 22: Clustering e Analisi non Supervisio
Page 29: Tecniche di classificazione e predi
Page 61 and 62: dove Tecniche di classificazione e
Page 81 and 82:
Tecniche di classificazione e predi
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Donne Age 20-29 Mean Step length (m
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
show all

tecniche di classificazione e predizione delle ... - DSpace@Roma3

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?