Data -wanbalans is 'n algemene en uitdagende probleem in die opleiding van huidige oop transformators. As 'n verskaffer van huidige oop transformators, het ons uitgebreide ervaring en 'n diepte begrip van hoe om hierdie probleem te hanteer. In hierdie blog sal ons die metodes en strategieë ondersoek wat ons huidige oop transformators gebruik om data -wanbalans tydens opleiding aan te spreek.
Die begrip van data -wanbalans in transformatoropleiding
Data -wanbalans verwys na 'n situasie waar die verspreiding van klasse in 'n datastel nie eenvormig is nie. In die konteks van huidige oop transformators, kan dit in verskillende toepassings voorkom, soos foutopsporing in elektriese stelsels. Byvoorbeeld, in 'n datastel vir die opsporing van elektriese foute, kan normale werkstoestande die abnormale of foutiewe toestande baie oortref. Hierdie wanbalans kan tydens opleiding tot verskeie probleme lei.
As 'n transformator op 'n ongebalanseerde datastel opgelei word, is dit geneig om bevooroordeeld te wees teenoor die meerderheidsklas. Die model kan moontlik 'n hoë akkuraatheid in die meerderheidsklas bereik, maar presteer sleg op die minderheidsklas. In die elektriese foutopsporing -scenario kan die transformator baie goed wees om normale werkomstandighede te identifiseer, maar versuim om nie seldsame foute op te spoor nie, wat dikwels die belangrikste is om te identifiseer.
Monsternemingstegnieke
Een van die algemeenste maniere om die wanbalans van data te hanteer, is deur monsternemingstegnieke. Daar is twee hooftipes steekproefneming: oormonstering en onderbemontering.
Oorsampling
Oorsampling behels die verhoging van die aantal monsters in die minderheidsklas. Dit kan op verskillende maniere gedoen word. Een gewilde metode is sintetiese minderheid oor - monsternemingstegniek (SMOTE). SMOTE skep sintetiese monsters vir die minderheidsklas deur tussen bestaande minderheidsklasmonsters te interpoleer.
In ons huidige oop transformators het ons 'n gewysigde weergawe van SMOTE geïmplementeer. Ons ontleed die kenmerke van die minderheidsklas -datapunte en skep sintetiese monsters wat meer verteenwoordigend is van die werklike wêreldscenario's. Byvoorbeeld, in die geval van elektriese foutdata, beskou ons die elektriese parameters en die tyd - reekse aard van die data wanneer sintetiese monsters genereer. Dit help die transformator om die patrone van die minderheidsklas beter te leer en die vermoë om seldsame foute op te spoor, te verbeter.
Die [CTKD -huidige oop transformator] (/brand - monitering - residuele - stroom - transformator/ctkd - stroom - oop - transformator.html) baat aansienlik uit hierdie oormonsteringsmetode. Deur die aantal minderheidsklasmonsters tydens opleiding te vergroot, kan die transformator die unieke kenmerke van die minderheidsklas beter vasvang, wat lei tot meer akkurate foutopsporing.
Ondermonstering
Ondermontering, daarenteen, verminder die aantal monsters in die meerderheidsklas. Dit kan 'n eenvoudige manier wees om die datastel te balanseer, maar dit het ook beperkings, aangesien dit tot die verlies van waardevolle inligting kan lei.
Ons gebruik 'n selektiewe onderbemonsteringsbenadering in ons huidige oop transformators. In plaas daarvan om monsters willekeurig uit die meerderheidsklas te verwyder, identifiseer en verwyder ons die monsters wat minder informatief of oortollig is. Byvoorbeeld, in 'n datastel met 'n groot aantal normale monsters van die werkingstoestand, kan ons die monsters wat baie soortgelyke elektriese parameterwaardes het, verwyder. Op hierdie manier kan ons die wanbalans verminder sonder om te veel inligting in te boet. Die [CHK - CTKD Open and Close Current Transformer] (/Fire - Monitoring - Residual - Current - Transformator/CHK - CTKD - Open - en - nou - huidige - transformator.html) maak gebruik van hierdie onderbemamplingstrategie tydens sy opleidingsproses, om te verseker dat die model op die mees relevante data kan fokus en beter prestasie kan bereik.
Koste - sensitiewe leer
'N Ander benadering tot die hantering van wanbalans in data is koste - sensitiewe leer. In tradisionele masjienleer word alle foute met verkeerde indeling gelyk behandel. In die geval van wanbalans in data, is die verkeerde klassifisering van 'n minderheidsklasmonster dikwels duurder as om 'n meerderheidsklasmonster verkeerd te klassifiseer.
In ons huidige oop transformators implementeer ons koste -sensitiewe leer deur verskillende koste toe te ken aan verskillende soorte wanindeling. Byvoorbeeld, in die toepassing van elektriese foutopsporing, kan 'n foutiewe toestand as 'n normale toestand verkeerde gevolge hê, soos elektriese brande of skade aan toerusting. Daarom ken ons 'n hoër koste aan hierdie tipe wanindeling toe.
Tydens die opleidingsproses probeer die transformator die totale koste van wanindeling tot die minimum beperk. Dit moedig die model aan om meer aandag aan die minderheidsklas te gee en sy klassifikasie -akkuraatheid vir die minderheidsklas te verbeter. Die [CHK - F reghoekige residuele stroomtransformator] (/Fire - Monitoring - Residual - Current - Transformator/CHK - F - Reghoekig - Residueel - Huidige.html) is ontwerp met koste - sensitiewe leeralgoritmes, wat dit in staat stel om die data -wanbalans in foutopsporingstake beter te hanteer.
Ensemble -metodes
Ensemble -metodes kan ook effektief wees in die hantering van data -wanbalans. 'N Ensemble -model kombineer verskeie basismodelle om 'n finale voorspelling te maak. Deur verskillende basismodelle te gebruik wat op verskillende onderafdelings van die data opgelei is, kan die ensemble -model 'n groter verskeidenheid patrone opneem en die algehele prestasie verbeter.
Ons gebruik sak- en hupstoottegnieke in ons huidige oop transformators. Sakke behels die opleiding van verskeie basismodelle op verskillende onderafdelings van die data, wat willekeurig met vervanging gemonster word. Versterking, aan die ander kant, treine -basismodelle opeenvolgend, waar elke nuwe model fokus op die monsters wat deur die vorige modelle verkeerd geklassifiseer is.
In die konteks van wanbalans in data, kan ensemble -metodes die transformator help om die patrone van die minderheidsklas beter te leer. Byvoorbeeld, in 'n sakgebaseerde ensemble, kan sommige van die basismodelle opgelei word op onderafdelings van die data wat 'n relatiewe gebalanseerde verspreiding van klasse het, waardeur hulle die funksies van die minderheidsklas meer effektief kan leer.
Evalueringstatistieke
By die hantering van wanbalans in data, is tradisionele evalueringstatistieke soos akkuraatheid moontlik nie toepaslik nie. Akkuraatheid meet die algehele deel van die korrekte geklassifiseerde monsters, maar dit kan misleidend wees in die teenwoordigheid van data -wanbalans. Byvoorbeeld, as 'n datastel 95% meerderheidsklasmonsters en 5% minderheidsklasmonsters het, sal 'n model wat altyd voorspel dat die meerderheidsklas 95% akkuraatheid sal behaal, alhoewel dit glad nie die minderheidsklas opspoor nie.
Ons gebruik meer toepaslike evalueringstatistieke soos presisie, herroeping en F1 - telling. Presisie meet die persentasie korrek voorspelde positiewe monsters uit alle voorspelde positiewe monsters. Onthou meet die persentasie korrek voorspelde positiewe monsters uit alle werklike positiewe monsters. Die F1 - telling is die harmoniese gemiddelde van presisie en herroeping, wat 'n gebalanseerde maatstaf van die prestasie van die model bied.
Deur hierdie evalueringstatistieke te gebruik tydens die opleiding en toetsing van ons huidige oop transformators, kan ons die model se vermoë om data -wanbalans te hanteer, beter beoordeel en die nodige aanpassings aanbring om die prestasie daarvan te verbeter.
Konklusie
Data -wanbalans is 'n belangrike uitdaging in die opleiding van huidige oop transformators. Deur die gebruik van monsternemingstegnieke, koste -sensitiewe leer, ensemble -metodes en toepaslike evalueringstatistieke, kan ons egter hierdie probleem effektief aanspreek. Ons [CTKD huidige oop transformator] (/brand - monitering - residuele - stroom - transformator/ctkd - stroom - oop - transformator.html), [chk - ctkd oop en sluit stroom transformator] (/vuur - monitering - residuele - stroom - transformator/chk - ctkd - oop - en - naby - stroom - transforer.html), en [[cHK - fre Residuele stroomtransformator] (/brand - monitering - residuele - stroom - transformator/chk - f - reghoekig - residuele - stroom.html) is ontwerp met hierdie strategieë in gedagte om hoë prestasie in verskillende toepassings te verseker, veral in die opsporing van seldsame gebeure soos elektriese foute.
As u belangstel in ons huidige oop transformators en die verkryging wil bespreek, kontak ons gerus. Ons is gereed om u gedetailleerde produkinligting en oplossings aan u aan te pas by u spesifieke behoeftes.
Verwysings
- Chawla, NV, Bowyer, KW, Hall, Lo, & Kegelmeyer, WP (2002). SMOTE: Sintetiese minderheid oor - monsternemingstegniek. Journal of Artificial Intelligence Research, 16, 321 - 357.
- Elkan, C. (2001). Die fondamente van koste - sensitiewe leer. In ijcai (vol. 1, pp. 973 - 978).