Adaboost算法训练模拟体征数据

Adaboost算法训练模拟体征数据

数据规则定义

首先，先看看规则定义的出自文献

心率 ----------------------

                                 

血压 ----------------------

                                 

温度 ----------------------

                                  

根据上面3个  我们可以确定的是，情绪（精神）与 心率 ，血压， 温度 ，有相当大的一部分关系，然后基于百度，做了一下参考。

总结了一下具体的规则

1. （关于心率方面）恐惧心率最高，其次是高兴愤怒，再次是悲伤，且这几种都比平稳状态要高。
2. （关于血压方面）正性情绪 血压偏向于稳定状态，反之则提高明显
3. （关于体表温度）高昂的情绪，提高相对来说提高一点

生成模拟数据

生成数据的规则是这样的

我们将分类定义为3个分类，消极向，正常向，积极向

这是代码

import random
import pandas as pd
# 导入对应的库
# 随机生成900条 体征数据

hrs = []
skts = []
sps = []
states = []
for i in range(900):
    state = random.randint(0, 2)
    # 三个状态  差 中 好
   
    if state == 0:
        # 表示 状态比较 负面
        # 心率 提高
        # 血压 提高
        # 体温 下降
        hr = random.randint(85, 100)
        sp = random.randint(125, 145)
        skt = random.randint(3600, 3700)

    elif state == 1:
        # 表示 状态一般
        # 心率 相对正常正常
        # 血压 不变
        # 体温 不变

        hr = random.randint(70,80)
        sp = random.randint(115,130)
        skt = random.randint(3650,3750)

    else:
        # 表示 状态比较 正面
        # 心率 也有提高 但是没有那么明显
        # 血压 趋势稳定
        # 体温 提高
        hr = random.randint(80, 90)
        sp = random.randint(115,130)
        skt = random.randint(3700, 3800)

    hrs.append(hr)
    sps.append(sp)
    skts.append(skt/100)
    states.append(state)
# 写入dataframe
dataframe = pd.DataFrame({'hr':hrs,'skt':skts,'sp':sps,'stu':states})
# 生成 csv文件
dataframe.to_csv("../signs.csv",index=False,sep=',')

print("isOK")

为了方便观察

单独画出来了

import matplotlib.pyplot as plt

import numpy as np

from mpl_toolkits.mplot3d import Axes3D





# 3D绘制 模拟体征数据

data = np.genfromtxt("../signs.csv",delimiter=",")

ax = plt.subplot(111, projection='3d')

ax.scatter(data[1:,0],data[1:,1], data[1:,2], c=data[1:,-1])

ax.set_xlabel("hr")

ax.set_ylabel("sp")

ax.set_zlabel("skt")



plt.show()

效果

训练模型

这一步相对简单，使用sklearn库，大大的简化了 我们训练的代码

import numpy as np

from sklearn.ensemble import  AdaBoostClassifier

from sklearn.tree import DecisionTreeClassifier

# 三维数据模型分类

# # 读取数据  该测试数据 可以通过Random 类生产

data = np.genfromtxt("..\signs.csv",delimiter=",")

x_data,y_data,z_data = data[1:,0],data[1:,1],data[1:,2]

mode1 = AdaBoostClassifier(DecisionTreeClassifier(max_depth=5),n_estimators=10)

# 使用训练集 训练模型

mode1.fit(data[1:,:3],data[1:,-1])

这一步 好简单。

测试模型

重新用了生成csv的方法  ，在相同的规则下面。 随机成功了200数据。代码就不贴出来了

print(mode1.score(datas,states))

评估正确率  99%