可穿戴式设备的流行，让我们可以更便利地使用传感器获取人体的各项数据,甚至生理数据。
当传感器采集到大量数据后，我们就可以通过对数据进行分析和建模，通过各项特征的数值进行用户状态的判断，根据用户所处的状态提供给用户更加精准、便利的服务。
- 我们现在收集了来自A，B，C，D，E，5位用户的可穿戴设备上的传感器数据，每位用户的数据集包含一个特征文件（a.feature）和一个标签文件（a.label )。
- 特征文件中每一行对应一个时刻的所有传感器数值，标签文件中每行记录了和特征文件中对应时刻的标记过的用户姿态，两个文件的行数相同，相同行之间互相对应。
数据介绍-feature
我们的特征文件共包含41列特征，数据内容。
特征文件的各项特征：
1时间戳，2心率，3-15传感器1，16-18传感器2，29-41传感器3
传感器1：对应13列数据特征，包含：1项温度数据、3项一型三轴加速度数据、3项二型三轴加速度数据、3项三轴陀螺仪数据和3项三轴磁场数据。
-
3温度：人体温度数据可以反映当前活动的剧烈程度，一般在静止状态时，体温趋于稳定在36.5度上下;当温度高于37度时，可能是进行短时间的剧烈运动，比如跑步和骑行。
-
4-6一型三轴加速度，7-9二型三轴加速度：在数据中有两个型号的加速度传感器，可以通过互相印证的方式，保证数据的完整性和准确性。通过加速度传感器对应的三个数值，可以知道空间中x、y、z三个轴上对应的加速度，而空间上的加速度和用户的姿态有密切的关系，比如用户向上起跳时，z轴上的加速度会激增。
-
10-12三轴陀螺仪：陀螺仪是角运动检测的常用仪器，可以判断出用户佩戴传感器时的身体角度是水平、倾斜还是垂直。直观地，通过这些数值都是推断姿态的重要指标。
-
13-15三轴磁场：磁场传感器可以检测用户周围的磁场强度和数值大小，这些数据可以帮助我们理解用户所处的环境。比如在一个办公场所，用户座位附近的磁场是大体上固定的，当磁场发生改变时，我们可以推断用户的位置和场景发生了变化。
数据介绍-label
标签文件内容如图所示，每一行代表与特征文件中对应行的用户姿态类别。总共有0-24共25种身体姿态，如：无活动状态，坐态、跑态等。标签文件作为训练集的标准参考准则，可以进行特征的监督学习。
个人猜想：
- 假设现在出现了一个新用户，但只有传感器采集的数据，那么该如何得到这个新用户的姿态？
- 又或者对同一用户如果传感器采集了新的数据，怎么样根据新的数据判断当前用户处于什么样的姿态？
任务介绍
- 在明确这是一个分类问题的情况下，我们可以选定某种分类模型(或者说是算法）,通过使用训练数据进行模型学习，然后对每个测试样本给出对应的分类结果。
- 机器学习的分类算法众多，在接下来将学习介绍经典的分类算法，如K近邻、决策树和朴素贝叶斯的原理和实现。
