Az adatok egyensúlyhiánya gyakori és kihívást jelentő kérdés az aktuális nyitott transzformátorok képzésében. Mint a jelenlegi nyitott transzformátorok szállítója, nagy tapasztalattal és mélységben megértjük, hogyan kell kezelni ezt a problémát. Ebben a blogban megvizsgáljuk azokat a módszereket és stratégiákat, amelyeket a jelenlegi nyitott transzformátorok használnak az adatok egyensúlyhiányának kezelésére az edzés során.
Az adatok egyensúlyhiányának megértése a transzformátor edzésében
Az adatok egyensúlyhiánya olyan helyzetre utal, amikor az osztályok adatkészletben történő eloszlása nem egységes. Az aktuális nyitott transzformátorok összefüggésében ez különféle alkalmazásokban fordulhat elő, például az elektromos rendszerek hibakutatásában. Például az elektromos hibák észlelésére szolgáló adatkészletben a normál működési feltételek messze meghaladhatják a rendellenes vagy hibás körülményeket. Ez az egyensúlyhiány számos problémához vezethet az edzés során.
Amikor egy transzformátort egy kiegyensúlyozatlan adatkészleten képzik, akkor általában a többségi osztály felé torzul. A modell nagy pontosságot érhet el a többségi osztályon, de rosszul teljesít a kisebbségi osztályon. Az elektromos hibaérzékelő forgatókönyvben a transzformátor nagyon jó lehet a normál működési körülmények azonosításában, de nem észlelheti a ritka hibákat, amelyek gyakran a legkritikusabbak az azonosításhoz.
Mintavételi technikák
Az adatok egyensúlyhiányának kezelésének egyik leggyakoribb módja a mintavételi technikák. A mintavételnek két fő típusa van: a túlmintavétel és az alsó mintavétel.
Mintavétel
A túlzott mintavétel magában foglalja a minták számának növelését a kisebbségi osztályban. Ezt többféle módon meg lehet tenni. Az egyik népszerű módszer a szintetikus kisebbség - mintavételi technika (Smote). A Smote szintetikus mintákat hoz létre a kisebbségi osztály számára a meglévő kisebbségi osztályminták közötti interpolálással.
A jelenlegi Open Transformers -ben a Smote módosított verzióját valósítottuk meg. Elemezzük a kisebbségi osztályú adatpontok jellemzőit, és olyan szintetikus mintákat hozunk létre, amelyek inkább reprezentatívak a valós világ forgatókönyveire. Például az elektromos hibadatok esetében figyelembe vesszük az adatok elektromos paramétereit és az idő - soros jellegét a szintetikus minták előállításakor. Ez elősegíti a transzformátort, hogy jobban megtanulja a kisebbségi osztály mintáit, és javítsa a ritka hibák észlelésének képességét.
A [CTKD áram nyitott transzformátor] (/tűz - megfigyelés - maradék - áram - Transformer/CTKD - CURURT - Open - Transformer.html) jelentősen előnyös ebből a túlmintavételi módszerből. Az edzés során a kisebbségi osztályminták számának növelésével a transzformátor jobban megragadhatja a kisebbségi osztály egyedi tulajdonságait, ami pontosabb hibaérzékelést eredményez.
Mintavétel
Az alsó mintavétel viszont csökkenti a minták számát a többségi osztályban. Ez egyszerű módja lehet az adatkészlet kiegyensúlyozásának, de korlátozásai is vannak, mivel az értékes információk elvesztéséhez vezethet.
Szelektív alulmintavételi megközelítést alkalmazunk a jelenlegi nyitott transzformátorokban. Ahelyett, hogy véletlenszerűen eltávolítanánk a mintákat a többségi osztályból, azonosítjuk és eltávolítjuk a kevésbé informatív vagy felesleges mintákat. Például egy nagyszámú normál működési körülményes mintával rendelkező adatkészletben eltávolíthatjuk azokat a mintákat, amelyek nagyon hasonló elektromos paraméterértékekkel rendelkeznek. Ilyen módon csökkenthetjük az egyensúlyhiányt anélkül, hogy túl sok információt feláldoznánk. A [CHK - CTKD nyitott és bezárja az aktuális transzformátort] (/tűz - megfigyelés - maradék - aktuális - transzformátor/chk - ctkd - nyitott - és - bezár - aktuális - transzformátor.html) ezt az alulmintás stratégiát használja az edzés során, biztosítva, hogy a modell a legrosszabb adatokra összpontosítson és a jobb teljesítmény elérése érdekében.
Költség - érzékeny tanulás
Az adatok egyensúlyhiányának kezelésének másik megközelítése a költség -érzékeny tanulás. A hagyományos gépi tanulásban az összes téves osztályozási hibát egyenlően kezelik. Az adatok egyensúlyhiány esetén azonban a kisebbségi osztályminta téves besorolása gyakran költségesebb, mint a többségi osztályminta téves besorolása.
A jelenlegi nyitott transzformátorokban a költség -érzékeny tanulást úgy hajtjuk végre, hogy különböző költségeket hozzárendelünk a különböző típusú téves osztályozáshoz. Például az elektromos hibaérzékelő alkalmazásban a hibás állapot, mint normál állapot téves besorolása súlyos következményekkel járhat, például elektromos tüzek vagy berendezések károsodása. Ezért magasabb költségeket rendelünk az ilyen típusú téves osztályozáshoz.
Az edzési folyamat során a transzformátor megpróbálja minimalizálni a téves osztályozás általános költségeit. Ez arra ösztönzi a modellt, hogy nagyobb figyelmet fordítson a kisebbségi osztályra, és javítsa annak osztályozási pontosságát a kisebbségi osztály számára. A [CHK - F téglalap alakú maradék áramtranszformátor] (/tűz - megfigyelés - maradék - áram - transzformátor/chk - f - téglalap alakú - maradék - current.html) Költség -érzékeny tanulási algoritmusokkal van megtervezve, ami lehetővé teszi, hogy jobban kezelje az adatok egyensúlyhiányának egyensúlyhiányát.
Együttes módszerek
Az együttes módszerek hatékonyak lehetnek az adatok egyensúlyhiányának kezelésében is. Egy együttes modell egyesíti a több alapmodellt a végső előrejelzés készítéséhez. Az adatok különböző részhalmazain képzett különféle alapmodellek felhasználásával az együttes modell a minták szélesebb körét rögzítheti és javíthatja az általános teljesítményt.
A zsákok és a lendületes technikákat használjuk a jelenlegi nyitott transzformátorokban. A zsákolás magában foglalja a több bázismodell képzését az adatok különböző részhalmazain, amelyek véletlenszerűen vesznek mintát cserélve. A fellendítés viszont az alapmodelleket szekvenciálisan kiképzi, ahol minden új modell a mintákra összpontosít, amelyeket az előző modellek tévesen osztályoztak.
Az adatok egyensúlyhiányának összefüggésében az együttes módszerek segíthetnek a transzformátornak a kisebbségi osztály mintáinak jobb megtanulásában. Például egy csomagolás alapú együttesben néhány alapmodell képzhetők az adatok részhalmazaira, amelyek az osztályok viszonylag kiegyensúlyozott eloszlásával rendelkeznek, lehetővé téve számukra, hogy hatékonyabban megtanulják a kisebbségi osztály tulajdonságait.
Értékelési mutatók
Az adatok egyensúlyhiányának kezelése esetén a hagyományos értékelési mutatók, például a pontosság, nem megfelelőek. A pontosság méri a helyesen osztályozott minták általános arányát, de az adatok egyensúlyhiányának jelenlétében félrevezető lehet. Például, ha egy adatkészletnek 95% -os többségi osztályminta és 5% kisebbségi osztályminta van, akkor egy olyan modell, amely mindig előrejelzi a többségi osztályt, 95% -os pontosságot ér el, annak ellenére, hogy egyáltalán nem észlel a kisebbségi osztályt.
Megfelelőbb értékelési mutatókat használunk, mint például a pontosság, a visszahívás és az F1 pontszám. Precíziós mérések Az összes előrejelzett pozitív mintából a helyesen előrejelzett pozitív minták aránya. A visszahívási intézkedések az összes tényleges pozitív mintából a helyesen előrejelzett pozitív minták arányát mérik. Az F1 - pontszám a pontosság és a visszahívás harmonikus átlaga, kiegyensúlyozott mértékben a modell teljesítményét.
Ezen értékelési mutatók felhasználásával a jelenlegi nyitott transzformátorok edzése és tesztelése során jobban felmérhetjük a modell képességét az adatok egyensúlyhiányának kezelésére és a teljesítmény javításához szükséges kiigazítások elvégzésére.
Következtetés
Az adatok egyensúlyhiánya jelentős kihívás az aktuális nyitott transzformátorok képzésében. A mintavételi technikák, a költség -érzékeny tanulás, az együttes módszerek és a megfelelő értékelési mutatók alkalmazásával azonban hatékonyan kezelhetjük ezt a kérdést. Our [CTKD Current Open Transformer](/fire - monitoring - residual - current - transformer/ctkd - current - open - transformer.html), [CHK - CTKD Open and Close Current Transformer](/fire - monitoring - residual - current - transformer/chk - ctkd - open - and - close - current - transformer.html), and [CHK - F Rectangular Residual Current Transformer](/fire - Megfigyelés - A maradék - áram - transzformátor/chk - f - téglalap alakú - maradék - current.html) ezeket a stratégiákat szem előtt tartva tervezték, hogy biztosítsák a magas teljesítményt a különféle alkalmazásokban, különösen a ritka események, például az elektromos hibák észlelésében.
Ha érdekli a jelenlegi nyitott transzformátorok, és meg akarja vitatni a beszerzést, kérjük, vegye fel velünk a kapcsolatot. Készen állunk arra, hogy részletes termékinformációkat és megoldásokat nyújtsunk Önnek az Ön egyedi igényeihez igazítva.
Referenciák
- Chawla, NV, Bowyer, KW, Hall, Lo és Kegelmeyer, WP (2002). Smote: Szintetikus kisebbség - mintavételi technika. Journal of Artificial Intelligence Research, 16, 321 - 357.
- Elkan, C. (2001). A költség alapjai - érzékeny tanulás. Ijcai -ban (1. kötet, 973–978. Oldal).