tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tecniche <strong>di</strong> <strong>classificazione</strong> e pre<strong>di</strong>zione <strong>delle</strong> attività motorie per telemonitoraggio e<br />
teleriabilitazione<br />
{ }<br />
Pˆ = P x ∈ S = ∫ p( x) dx ≃ p( x ) V<br />
S i<br />
S<br />
dove V è il volume n-<strong>di</strong>mensionale (misura) <strong>di</strong> S.<br />
Una stima consistente della probabilità P è data dalla frequenza relativa:<br />
ˆ S<br />
P<br />
=<br />
Con K numero <strong>di</strong> campioni <strong>di</strong> training che cadono nella superficie S. Dalla stima<br />
della probabilità che un punto appartenga ad S ne deduco una stima della ddp per il<br />
punto xi<br />
Osservazioni<br />
– S deve essere abbastanza “grossa” da contenere un numero <strong>di</strong> campioni <strong>di</strong> training<br />
K<br />
N<br />
che giustifichi l’applicazione <strong>delle</strong> legge dei gran<strong>di</strong> numeri;<br />
– S deve essere abbastanza “piccola” da giustificare l’ipotesi che p(x) non vari<br />
apprezzabilmente in S.<br />
Come tutte le situazioni in cui sembrano esserci con<strong>di</strong>zioni contrastanti è necessario<br />
un compromesso fra queste due esigenze, per fare in modo che la stima della ddp sia<br />
consistente. E’necessario comunque che il numero totale N <strong>di</strong> campioni <strong>di</strong> training sia<br />
abbastanza numeroso.<br />
A seconda <strong>delle</strong> grandezze K e V, ci sono <strong>di</strong>verse possibilità <strong>di</strong> approccio alla stima<br />
non parametrica, <strong>di</strong> cui noi accenniamo a due meto<strong>di</strong> in particolare :<br />
– metodo dei “K-punti vicini”: si fissa K e si determina la regione R in base al<br />
training set, se ne calcola l’ipervolume V e se ne deduce la stima <strong>delle</strong> ddp;<br />
– metodo <strong>di</strong> Parzen: fissata la regione S (e fissato quin<strong>di</strong> anche il suo ipervolume V),<br />
si calcola K a partire dal training sete se ne deduce la stima.<br />
È possibile <strong>di</strong>mostrare che entrambi gli approcci conducono a stime consistenti.<br />
40