哈囉大家好，我是橘白卯咪，歡迎大家來看看我能不能撐過30天

今天要講的主題，對於特徵資料的預處理，每個案例都會採用不同的方法
所以我以第11天所介紹的這個系統為例，介紹給大家 原作者的報告
除了幫大家簡單翻成比較好入口的文字而且是中文之外
個人私心也想好好再看一次這部分

先來簡單複習一下資料預處理
(摘要自滿簡明易懂的文章

資料預處理

資料預處理分為以下三種

1.缺失值的處理

如果資料量夠多可以直接丟棄，不夠的話就補值。常見補值方式有補固定值、平均值、眾數、中位數。

2. 類別資料的處理

有序、無序資料

3. 資料特徵縮放

分為Normalization、Standardization(標準化)兩種方式

先講結論，作者使用到 資料特徵縮放、先部分移除後補值 的方法
以下引文的部分翻譯自作者，整個特徵預處理共有4個步驟:

1. 調整座標比例
   openpose 原始輸出的關鍵點位置，x,y座標跟一般的不同，所以調整了比例，使得不同長寬比的圖片一致

2. 移除所有的頭部節點
   原本openpose的輸出上，屬於頭部的部分，有1個頭、2個眼睛和2個耳朵的關鍵點。因頭部的動作對於訓練的資料集作用不大，重點在軀幹與四肢的動態

這點作者在readme當中也有說明，如果不要移除的話應該怎麼做
個人覺得因適用場景而異，在我實際觀察到的行為當中，尤其是判斷行為的投入，頭部的動態具有很重要的訊息

3. 移除沒有大腿或頸部的影像
   如果影像中沒有被openpose偵測到的關鍵點，或骨架沒有頸或大腿，則會被認為是無效的影像。滑動視窗也會在下一幀重新初始化

這可能是減少無效資訊的一種方式，但有時候骨架沒有頸或大腿，不是影像的問題而是openpose大大沒抓到啊~

4. 補充遺失的關鍵點
   在某些狀況下，openpose可能沒有偵測到完整的骨架，故需要補齊。採用骨架的相對位置來補齊對應的關鍵點

作者也提出兩個他認為較為不好的預處理方法

1. 丟棄該幀影像
   然而，有些人的行為無法識別的原因，是因為該人沒有面對鏡頭
2. 回填的位置不在合理範圍
   實驗的結果不好，所以不採用這種方法

資料預處理的方法因應用、資料不同有所差異
但在剛開始著手的時候，參考別人的作法可以獲得一些解決眼前問題的想法

明天來說說特徵萃取方法之一的PCA(主成分分析法)!