🏃 Розпізнавач Фітнес-Активності — Дерево Рішень Наживо

У кожному вузлі алгоритм розглядає кожен кандидатний поріг на кожній доступній ознаці й вимірює домішку Джині двох груп, які цей поріг створив би. Домішка Джині дорівнює одиниці мінус сума квадратів часток класів у групі — вона дорівнює 0, коли група містить лише одну активність, і найвища, коли класи рівномірно перемішані. Дерево обирає ту ознаку й поріг, що дають найбільше падіння зваженої домішки від батька до дітей — точно алгоритм CART, що використовується в реальних бібліотеках машинного навчання.

Акселерометр телефону чи носимого пристрою фіксує сирий рух, але сирі зразки зашумлені, і специфічні для активності патерни проявляються лише після підсумовування короткого вікна: частота кроків фіксує ритм кроків чи обертів педалей, а дисперсія вертикального прискорення фіксує, наскільки тіло підстрибує вгору-вниз. Ходьба, біг, велоспорт і відпочинок займають чітко різні регіони цього двовимірного простору ознак.

Глибше дерево може вирізьбити простір ознак на більше, менших регіонів, що зазвичай підвищує точність навчання, оскільки може підлаштуватися під шум і перекриті зразки поблизу меж класів. Але надто глибоке дерево перенавчається: його точність на живому потоці свіжих симульованих зчитувань може вийти на плато чи навіть впасти, коли глибина перевищує те, що фактично підтримує базове розділення класів.

Кожне симульоване зчитування акселерометра береться заново із зашумленого розподілу для поточної активності, тож зчитування поблизу межі між типовими діапазонами ознак двох активностей іноді потраплятимуть на «неправильний» бік вивченого розділення дерева суто випадково. Це очікувано: статистика плавної точності відстежує реальну продуктивність дерева на справді випадкових нових зразках, а не на фіксованому тестовому наборі.

Так, за суттю. Бібліотеки на кшталт DecisionTreeClassifier у scikit-learn реалізують ту саму основну ідею рекурсивного розбиття: оцінити кандидатні розділення мірою домішки (Джині чи ентропія), обрати найкраще й рекурсивно повторювати до правила зупинки (максимальна глибина, мінімальна кількість зразків). Ця симуляція реалізує ту саму рекурсію безпосередньо на JavaScript, а не викликає бібліотеку.