Visualisierung ihres Datensatzes

GestureRecognition.visualization.evaluate_classifier()

TODO: Evaluation deines Klassifikators

Ziel:

Implementiere eine sinnvolle Auswertung deines Modells auf Testdaten.

Warum ist das wichtig?

• Du brauchst objektive Metriken für die Qualität deines Modells

• Training allein reicht nicht, entscheidend ist die Generalisierung

Anforderungen / Ideen:

• Lade ein trainiertes Modell

• Lade Testdaten (getrennt vom Training!)

• Berechne Vorhersagen

• Vergleiche Vorhersagen mit Ground Truth

Metriken:

• Klassifikationsgenauigkeit (Accuracy)

• Confusion Matrix

Tipp

Eine Confusion Matrix zeigt dir:

• Welche Klassen gut erkannt werden

• Wo dein Modell Fehler macht

Warnung

Testdaten dürfen nicht aus dem Training stammen!

Interpretation:

Du solltest erklären können: - Welche Klassen gut funktionieren - Welche Klassen verwechselt werden - Warum das passieren könnte

Bemerkung

Schlechte Performance liegt oft an:

• schlechten Trainingsdaten

• zu wenigen Beispielen

• ungeeigneten Features

Erweiterung (optional):

• Weitere Metriken (Precision, Recall, F1)

• Vergleich verschiedener Modelle

GestureRecognition.visualization.replay_recordings()

TODO: Exploration und Replay der aufgenommenen Rohdaten

Ziel:

Ermögliche es, aufgenommene Sequenzen erneut abzuspielen und qualitativ zu überprüfen.

Warum ist das wichtig?

• Du kannst überprüfen, ob deine Aufnahmen korrekt sind

• Fehler in der Datenerfassung werden früh sichtbar

• Du entwickelst ein besseres Verständnis für deine Daten

Anforderungen / Ideen:

• Lade gespeicherte Aufnahmen

• Spiele diese erneut ab (z. B. über SignalHub / Replay-Modus)

• Iteriere über verschiedene Labels und Beispiele

Tipp

Besonders hilfreich:

• Vergleiche mehrere Beispiele derselben Klasse

• Suche nach inkonsistenten Bewegungen

Warnung

Schlechte oder inkonsistente Aufnahmen führen fast immer zu schlechten Modellen. Überprüfe deine Daten frühzeitig!

Abgabe:

• Du solltest zeigen können, wie deine Daten aussehen (Replay)

• Du solltest erklären können:

  • Welche Beispiele gut sind

  • Welche problematisch sind

Erweiterung (optional):

• Automatisches Filtern schlechter Sequenzen

• Kombination mit Visualisierung

GestureRecognition.visualization.visualize_dataset()

TODO: Visualisierung des eigenen Datensatzes

Ziel:

Entwickle eine Möglichkeit, deinen aufgenommenen Datensatz visuell zu inspizieren und zu verstehen.

Warum ist das wichtig?

• Du musst nachvollziehen können, was dein Modell eigentlich „sieht“

• Fehler im Datensatz lassen sich visuell oft sofort erkennen

• Qualität der Daten ist entscheidend für die Modellperformance

Anforderungen / Ideen:

• Lade deinen Trainingsdatensatz

• Visualisiere mehrere Sequenzen pro Klasse

• Stelle sicher, dass:

  • unterschiedliche Gesten klar unterscheidbar sind

  • Sequenzen sinnvoll aussehen (keine Ausreißer, keine leeren Daten)

Tipp

Ein einfacher Ansatz:

• Plotte Trajektorien (z. B. x/y-Koordinaten)

• Zeige mehrere Beispiele pro Klasse übereinander

Bemerkung

Du kannst selbst entscheiden:

• Wie viele Sequenzen du anzeigst

• Welche Features du visualisierst

• Ob du interaktive Elemente einbaust

Tipp

Interaktivität (z. B. Klick auf eine Sequenz) kann hilfreich sein, um einzelne Beispiele genauer zu untersuchen.

Abgabe:

• Du musst in der Lage sein, deinen Datensatz visuell zu präsentieren

• Du solltest erklären können:

  • Wie unterscheiden sich die Klassen?

  • Gibt es problematische Beispiele?

Erweiterung (optional):

• Mittelwerte oder typische Sequenzen pro Klasse darstellen

• Ausreißer automatisch erkennen