Osztályozó algoritmusok tesztelése az egy helyiségben tartózkodó személyek számának becslésére

Abstract

A dolgozatomban az egy szobában tartózkodó emberek számának prediktálását alacsony költségű, non-invazív érzékelők és gépi tanulási modellek segítségével vizsgáltam. A munka során különböző osztályozó algoritmusokkal (Logisztikus regresszió, Döntési fa, k-NN és Random Forest) becsültem meg az egy helyiségben személyek számát. A vizsgálat alapját egy valós kísérleti adathalmaz képezte, amely több mint tízezer mintát tartalmazott hőmérséklet-, fény-, hang-, szén-dioxid- és mozgásérzékelő szenzorok mérési adataiból. Az adatok kiegyensúlyozását a SMOTE módszerrel végeztem, hogy a ritkábban előforduló kategóriákat is megfelelően felismerjék a modellek. Az elemzéseket Python programozási nyelv segítségével készítettem, és a modellek teljesítményét pontosság, precizitás, érzékenység és F1-mutató alapján értékeltem. A‍‌‍‍‌ dolgozat eredményei alátámasztják, hogy az alacsony költségű szenzorhálózatok és a gépi tanulás kombinációja hatékonyan támogathatja az energiahatékony, környezettudatos épület üzemeltetést.