Insufficient physical activity presents a significant hazard to overall health, with sedentary lifestyles linked to a variety of health issues. Monitoring physical activity levels allows the recognition of patterns of sedentary behavior and the provision of coaching to meet the recommended physical activity standards. In this paper, we aim to address the problem of reducing the time consuming process of fitting classifiers when generating personalized models for a coaching application. The proposed approach consists of evaluating the effects of clustering participants based on their walking patterns and then recommending a unique model for each group. Each model consists of a random forest classifier with a different number of estimators each. The resulting approach reduces the fitting time considerably while keeping nearly the same classification performance as personalized models.
Deze publicatie is tot stand gekomen in het kader van een updateproject, waarbij een groot aantal technische voorlichtingspublicaties wordt aangepast aan de huidige stand der techniek. Hierbij heeft een nauwe samenwerking plaatsgevonden tussen de op de laatste pagina van deze publicatie vermelde partijen. Deze publicatie is een update van de publicatie "Eenvoudige mechanisatie bij het booglassen" (TCV02, NIL, 1998) en vormt samen met de publicaties "TI.07.40 - Ontwerp voor gemechaniseerd lassen" en "TI.07.41 - Geavanceerde lasmechanisatie en sensoren", een overzicht met betrekking tot de automatisering van het lasproces. Al deze geupdate publicaties zijn, evenals de andere in dit updateproject vervaardigde en uitgegeven publicaties, als pdf-file vrij te downloaden vanaf de websites "www.verbinden-online.nl", "www.dunneplaat-online.nl" en via de websites van de deelnemende organisaties.
