Brak równowagi danych jest powszechnym i trudnym problemem w szkoleniu obecnych otwartych transformatorów. Jako dostawca obecnych otwartych transformatorów mamy duże doświadczenie i głębokie zrozumienie, jak poradzić sobie z tym problemem. Na tym blogu zbadamy metody i strategie, które nasze obecne otwarte transformatory wykorzystują do nierównowagi danych podczas szkolenia.
Zrozumienie braku równowagi danych w szkoleniu transformatora
Brak równowagi danych odnosi się do sytuacji, w której rozkład klas w zestawie danych nie jest jednolity. W kontekście obecnych otwartych transformatorów może to wystąpić w różnych zastosowaniach, takich jak wykrywanie błędów w układach elektrycznych. Na przykład w zestawie danych do wykrywania uszkodzeń elektrycznych normalne warunki pracy mogą znacznie przewyższyć liczbę nieprawidłowych lub wadliwych warunków. Ta nierównowaga może prowadzić do kilku problemów podczas treningu.
Gdy transformator jest przeszkolony na niezrównoważonym zestawie danych, zwykle jest on stronniczy w stosunku do klasy większości. Model może osiągnąć wysoką dokładność w klasie większości, ale słabo działać w klasie mniejszości. W scenariuszu wykrywania uszkodzeń elektrycznych transformator może być bardzo dobry w identyfikowaniu normalnych warunków pracy, ale nie wykrywa rzadkich uszkodzeń, które często są najbardziej krytyczne do identyfikacji.
Techniki próbkowania
Jednym z najczęstszych sposobów obsługi braku równowagi danych są techniki próbkowania. Istnieją dwa główne rodzaje pobierania próbek: nadpróbkowanie i podkład.
Overmauracja
Przesadzenie polega na zwiększeniu liczby próbek w klasie mniejszości. Można to zrobić na kilka sposobów. Jedną popularną metodą jest mniejszość syntetyczna nad - technika próbkowania (SMOTE). Smote tworzy próbki syntetyczne dla klasy mniejszości poprzez interpolację między istniejącymi próbkami klasy mniejszości.
W naszych obecnych otwartych transformatorach zaimplementowaliśmy zmodyfikowaną wersję Smote. Analizujemy charakterystykę punktów danych klasy mniejszości i tworzymy syntetyczne próbki, które są bardziej reprezentatywne dla prawdziwych scenariuszy światowych. Na przykład, w przypadku danych o uszkodzenie elektryczne, rozważamy parametry elektryczne i charakter serii danych podczas generowania próbek syntetycznych. Pomaga to transformatorowi lepiej poznać wzorce klasy mniejszości i poprawić jego zdolność do wykrywania rzadkich błędów.
Open Transformer [CTKD] (/Fire - Monitoring - Resitual - Prąd - Transformer/CTKD - Prąd - Open - Transformer.html) przynosi znacząco na podstawie tej metody nadpróbkowania. Zwiększając liczbę próbek klas mniejszości podczas treningu, transformator może lepiej uchwycić unikalne cechy klasy mniejszości, co prowadzi do dokładniejszego wykrywania błędów.
Podkład
Z drugiej strony podsumowanie zmniejsza liczbę próbek w klasie większości. Może to być prosty sposób zrównoważenia zestawu danych, ale ma również ograniczenia, ponieważ może prowadzić do utraty cennych informacji.
W naszych obecnych otwartych transformatorach używamy selektywnego podkładu podsumowującego. Zamiast losowego usuwania próbek z klasy większości, identyfikujemy i usuwamy próbki, które są mniej pouczające lub zbędne. Na przykład w zestawie danych z dużą liczbą normalnych próbek warunków roboczych możemy usunąć próbki o bardzo podobnych wartościach parametrów elektrycznych. W ten sposób możemy zmniejszyć nierównowagę bez poświęcania zbyt dużej ilości informacji. [CHK - CTKD Transformator otwartego i zamykanego prądu] (/Fire - Monitoring - Resitual - Prąd - Transformer/CHK - CTKD - Otwarte - i - bliskie - prąd - transformator.html) wykorzystuje tę strategię podkładu podczas procesu szkolenia, upewniając się, że model może skoncentrować się na najbardziej odpowiednich danych i osiągnąć lepszą wydajność.
Koszt - wrażliwe uczenie się
Innym podejściem do obsługi braku równowagi danych jest wrażliwe uczenie się. W tradycyjnym uczeniu maszynowym wszystkie błędy błędnej klasyfikacji są traktowane jednakowo. Jednak w przypadku braku równowagi danych błędne zaklasyfikowanie próbki klasy mniejszościowej jest często bardziej kosztowne niż błędne zaklasyfikowanie próbki klasy większościowej.
W naszych obecnych otwartych transformatorach wdrażamy koszty wrażliwe, przypisując różne koszty różnym rodzajom błędnej klasyfikacji. Na przykład w zastosowaniu wykrywania uszkodzeń elektrycznych błędne zaklasyfikowanie wadliwego stanu jako warunku normalnego może mieć poważne konsekwencje, takie jak pożary elektryczne lub uszkodzenie sprzętu. Dlatego przypisujemy wyższy koszt tego rodzaju błędnej klasyfikacji.
Podczas procesu szkolenia transformator próbuje zminimalizować całkowity koszt błędnej klasyfikacji. Zachęca to model do zwrócenia większej uwagi na klasę mniejszości i poprawy jego dokładności klasyfikacji dla klasy mniejszościowej. Prostokątny resztkowy transformator prądu [CHK - F] (/Fire - Monitoring - Resitual - Prąd - Transformator/CHK - F - prostokątny - resztkowy - prąd .html) został zaprojektowany z opłacalnymi algorytmami uczenia się, co umożliwia lepsze obsługa braku równowagi danych w zadaniach wykrywania błędów.
Metody zespołowe
Metody zespołowe mogą być również skuteczne w obsłudze nierównowagi danych. Model zespołu łączy wiele modeli podstawowych, aby dokonać ostatecznej prognozy. Korzystając z różnych modeli podstawowych przeszkolonych na różnych podzbiorach danych, model zespołu może uchwycić szerszy zakres wzorców i poprawić ogólną wydajność.
Używamy technik workowania i zwiększania w naszych obecnych otwartych transformatorach. Bagging obejmuje szkolenie wielu modeli podstawowych na różnych podzbiorach danych, które są losowo pobierane z zastępowaniem. Z drugiej strony wzmocnienie trenuje sekwencyjnie modele podstawowe, w których każdy nowy model koncentruje się na próbkach, które zostały błędnie zaklasyfikowane przez poprzednie modele.
W kontekście nierównowagi danych metody zespołowe mogą pomóc transformatorowi lepiej poznać wzorce klasy mniejszości. Na przykład w zespole opartym na workowaniu niektóre modele podstawowe mogą być przeszkolone w zakresie podzbiorów danych, które mają stosunkowo zrównoważony rozkład klas, co pozwala im skuteczniej nauczyć się cech klasy mniejszości.
Wskaźniki oceny
W przypadku braku równowagi danych tradycyjne wskaźniki oceny, takie jak dokładność, mogą nie być odpowiednie. Dokładność mierzy ogólny odsetek prawidłowo sklasyfikowanych próbek, ale może wprowadzać w błąd w obecności nierównowagi danych. Na przykład, jeśli zestaw danych ma 95% próbek klasy większości i 5% próbek klasy mniejszościowej, model, który zawsze przewiduje, że klasa większościowa osiągnie 95% dokładności, mimo że w ogóle nie wykrywa klasy mniejszości.
Używamy bardziej odpowiednich wskaźników oceny, takich jak precyzja, wycofanie i wynik F1. Precyzja mierzy odsetek prawidłowo przewidywanych dodatnich próbek ze wszystkich przewidywanych dodatnich próbek. Wycofanie mierzy odsetek prawidłowo przewidywanych dodatnich próbek ze wszystkich rzeczywistych dodatnich próbek. Wynik F1 - średnia harmoniczna precyzji i wycofania, zapewniając zrównoważoną miarę wydajności modelu.
Korzystając z tych wskaźników oceny podczas szkolenia i testowania naszych obecnych otwartych transformatorów, możemy lepiej ocenić zdolność modelu do nierównowagi danych i dokonywać niezbędnych korekt w celu poprawy jego wydajności.
Wniosek
Nierównowaga danych jest znaczącym wyzwaniem w szkoleniu obecnych otwartych transformatorów. Jednak dzięki zastosowaniu technik próbkowania, kosztów - wrażliwych uczenia się, metod zespołowych i odpowiednich wskaźników oceny możemy skutecznie rozwiązać ten problem. Nasz [prąd CTKD Open Transformer] (/Fire - Monitoring - Resitual - Prąd - Transformator/CTKD - Prąd - Open - Transformer.html), [CHK - CTKD Otwarty i zamykany Transformator prądu Monitorowanie - resztkowe - prąd - transformator/CHK - F - prostokątny - resztkowy - prąd .html) są zaprojektowane z myślą o tych strategiach, aby zapewnić wysoką wydajność w różnych zastosowaniach, szczególnie w wykrywaniu rzadkich zdarzeń, takich jak uskoki elektryczne.
Jeśli jesteś zainteresowany naszymi obecnymi otwartymi transformatorami i chcesz omówić zamówienia, skontaktuj się z nami. Jesteśmy gotowi dostarczyć Ci szczegółowe informacje o produkcie i rozwiązania dostosowane do twoich konkretnych potrzeb.
Odniesienia
- Chawla, NV, Bowyer, KW, Hall, Lo, i Kegelmeyer, WP (2002). Smote: Mniejszość syntetyczna Over - Technika próbkowania. Journal of Artificial Intelligence Research, 16, 321 - 357.
- Elkan, C. (2001). Podstawy kosztów - wrażliwe uczenie się. W ijcai (t. 1, s. 973–978).