人类活动识别 Galvanize顶峰项目，用于使用UCI机器学习存储库智能手机数据集对日常生活中的人类活动进行分类。 动机和目标： 识别日常生活活动（ADL）的创新方法是开发更具交互性的人机应用程序必不可少的输入部分。 通过解释从运动，位置，生理信号和环境信息中得出的属性，开发了理解人类活动识别（HAR）的方法。 该项目探索了用于对已发布数据集（ ）进行ADL分类的最佳机器学习方法。 数据包含一组佩戴一组内置内置传感器（加速度计，陀螺仪和磁力计）的安装在腰部的智能手机，并进行一组ADL（站立，坐着，躺着，走路，上楼和走下楼）的记录。 将机器学习方法的有效性与已发布的多类硬件友好支持向量机（MC-HF-SVM）识别精度进行了比较。 方法： 将数据（具有ADL平衡561功能的10299个样本）按比例分别分为70％和30％分为训练集和测试集。 该分区是随机的。 训练数据用于训练不同的分类器

网上人类活动识别 使用与用户无关的基于机器学习的算法进行在线人类活动识别。 使用UCI数据集-“使用智能手机数据集的人类活动识别”来完成每种方法的学习。 测试是通过使用加速度计和陀螺仪收集的实时数据完成的。

WPBC（预后）数据集包含 198 条患者记录，其中 4 条记录中缺少属性“淋巴结”状态的值。由于淋巴结值是决定乳腺癌状态的重要因素。 最终数据集包含 194 条记录，其中 148 条为非复发病例，46 条为复发病例。

人类活动识别 在 UCI HAR 数据集上使用 ML 进行人类活动识别

datasets-uci-iris（csv）文件和相关36个UCI数据文件，datasets-uci-iris（csv）文件和相关36个UCI数据文件。

一个生物领域的多分类数据集，自变量7个，响应变量一个

用于分类的数据集

标题 作者 日期 输出 自述文件 克莱尔·萨洛姆 2015 年 4 月 26 日 html_document ###随附的数据取自以下原始数据源： 使用智能手机数据集 1.0 版进行人类活动识别 Jorge L. Reyes-Ortiz、Davide Anguita、Alessandro Ghio、Luca Oneto。 Smartlab - 非线性复杂系统实验室 DITEN - Universit‡ degli Studi di Genova。 Via Opera Pia 11A, I-16145, 热那亚, 意大利。 ####数据生成方式的详细信息如下。 ###Provided 是每个主题和以下活动的平均值： 来自加速度计的三轴 (XYZ) 加速度的平均和标准偏差，分为估计的重力和身体加速度。 陀螺仪三轴角速度的平均值和标准偏差。 每个主题和活动的活动标签。 进行实

鸢尾花数据，带列名

使用matlab读取数据集，支持混合型数据读取，读取最终结果存储为struct数组类型，其中每一行表示的是一个数据，列数表示数据集个数。