UCI数据集+机器学习+十折交叉验证

       本文为本学期《生物医学信息》课程作业，第一次发文，希望可以记录自己的学习状态，和大家一起学习进步。 

作业要求：

背景介绍：

        UCI 数据集是加州大学欧文分校(University of CaliforniaIrvine)提出的用于机器学习的 

数据库。目前共有 622 个数据集，是一个常用的机器学习标准测试数据集。本文选取 UCI 

数据集中第 196 号数据集进行处理分析。 

         sklearn 是一个 Python 第三方提供的非常强力的机器学习库，它建立在 NumPy, SciPy, 

Pandas 和 Matplotlib 之上，在 sklearn 里面有六大任务模块：分别是分类、回归、聚类、 

降维、模型选择和预处理。合理的使用 sklearn 可以减少代码量与编程时间，使我们有更多 

的精力去分析数据分布，调整模型和修改超参。

数据集介绍：

         本实验使用的数据集来自 UCI machine learning 数据集生命科学类中的 Localization 

Data for Person Activity Data Set，此数据集共有 164860 个样本以及 8 个特征，样本数× 

特征数 > 50 万，包含了五个人的左右脚踝、腰部和胸部在不同时间点的位置坐标等属性， 

根据这些属性，将受试者分为行走、躺下、站立等 11 种不同的行为状态。

数据下载地址为：

UCI Machine Learning Repository: Localization Data for Person Activity Data Set 

数据实例： 

A01,020-000-033-111,633790226057226795,27.05.2009 14:03:25:723,4.292500972747803, 

2.0738532543182373,1.36650812625885, walking 

第一列 SequenceName：{A01,A02,A03,A04,A05,B01,B02,B03,B04,B05,C01,C02, 

C03,C04,C05,D01,D02,D03,D04,D05,E01,E02,E03,E04,E05} (Nominal) ，代表 A, B, C, D, 

E 5 个人。 

第二列 TagIdentificator：{010-000-024-033,020-000-033-111,020-000-032-221, 

010-000-030-096} (Nominal) ，使用不同的数字序列，代表人体的不同部位，分别为 

ANKLE_LEFT、ANKLE_RIGHT、CHEST、BELT。第三列 Timestamp：时间戳。 

第四列 date：符合 dd.MM.yyyy HH:mm:ss:SSS 形式的日期数据。 

第五列-第七列分别为 x、y、z 坐标。 

第八列 activity：{walking, falling, lying down, lying, sitting down, sitting, standing up 

from lying, on all fours, sitting on the ground, standing up from sitting, standing up from 

sitting on the ground}，表示人的行为状态，共有以上 11 种。

K折交叉验证：

K 次交叉验证（K-fold cross-validation），将训练集分割成 K 个子样本，一个单独的 

子样本被保留作为验证模型的数据，其他 K-1 个样本用来训练。交叉验证重复 K 次，每个 

子样本验证一次，平均 K 次的结果或者使用其它结合方式，最终得到一个单一估测。这个 

方法的优势在于，同时重复运用随机产生的子