Dezechilibrul datelor este o problemă comună și provocatoare în formarea transformatoarelor deschise actuale. În calitate de furnizor de transformatoare deschise actuale, avem o experiență vastă și în profunzime înțelegerea modului de a rezolva această problemă. În acest blog, vom explora metodele și strategiile pe care le folosesc actualele noastre transformatoare deschise pentru a aborda dezechilibrul datelor în timpul antrenamentului.
Înțelegerea dezechilibrului datelor în formarea transformatorului
Dezechilibrul datelor se referă la o situație în care distribuția claselor într -un set de date nu este uniformă. În contextul transformatoarelor deschise actuale, acest lucru poate apărea în diferite aplicații, cum ar fi detectarea defecțiunilor în sistemele electrice. De exemplu, într -un set de date pentru detectarea defecțiunilor electrice, condițiile normale de funcționare pot depăși cu mult condiții anormale sau defecte. Acest dezechilibru poate duce la mai multe probleme în timpul antrenamentului.
Când un transformator este instruit pe un set de date dezechilibrat, acesta tinde să fie părtinitor către clasa majoritară. Modelul poate obține o precizie ridicată la clasa majoritară, dar să funcționeze slab la clasa minoritară. În scenariul de detectare a erorilor electrice, transformatorul poate fi foarte bun în identificarea condițiilor normale de funcționare, dar nu reușește să detecteze defecțiuni rare, care sunt adesea cele mai critice de identificat.
Tehnici de eșantionare
Unul dintre cele mai comune moduri de a gestiona dezechilibrul datelor este prin tehnici de eșantionare. Există două tipuri principale de eșantionare: suprasolicitare și eșantionare.
Suprasolicitare
Suprapunerea implică creșterea numărului de eșantioane din clasa minoritară. Acest lucru se poate face în mai multe moduri. O metodă populară este minoritatea sintetică peste - tehnica de eșantionare (Smote). Smote creează probe sintetice pentru clasa minoritară prin interpolarea dintre eșantioanele de clasă minoritară existentă.
În actuala noastră transformatoare deschise, am implementat o versiune modificată a Smote. Analizăm caracteristicile punctelor de date ale clasei minoritare și creăm eșantioane sintetice care sunt mai reprezentative pentru scenariile mondiale reale. De exemplu, în cazul datelor de eroare electrică, luăm în considerare parametrii electrici și natura din seria de timp a datelor atunci când generăm probe sintetice. Acest lucru ajută transformatorul să învețe mai bine tiparele clasei minoritare și să -și îmbunătățească capacitatea de a detecta defecțiuni rare.
[CTKD Current Open Transformer] (/Fire - Monitoring - Rezidual - Curent - Transformer/CTKD - Curent - Open - Transformer.HTML) beneficiază semnificativ de această metodă de suprasolicitare. Prin creșterea numărului de eșantioane de clasă minoritară în timpul antrenamentului, transformatorul poate capta mai bine caracteristicile unice ale clasei minoritare, ceea ce duce la o detectare mai exactă a erorilor.
Eșantionare
Eșantionarea, pe de altă parte, reduce numărul de eșantioane din clasa majoritară. Aceasta poate fi o modalitate simplă de a echilibra setul de date, dar are și limitări, deoarece poate duce la pierderea informațiilor valoroase.
Folosim o abordare selectivă a eșantionării în transformatoarele noastre actuale deschise. În loc să eliminăm aleatoriu eșantioanele din clasa majoritară, identificăm și eliminăm eșantioanele care sunt mai puțin informative sau redundante. De exemplu, într -un set de date cu un număr mare de probe normale de condiție de funcționare, putem elimina eșantioanele care au valori de parametri electrici foarte similari. În acest fel, putem reduce dezechilibrul fără a sacrifica prea multe informații. [CHK - CTKD Open and Close TRANSFORMER] (/FIRE - Monitorizare - Rezidual - Curent - Transformer/CHK - CTKD - Open - și - Close - Curent - Transformer.html) utilizează această strategie de subliniere în timpul procesului său de instruire, asigurând că modelul se poate concentra pe cele mai relevante date și să obțină performanțe mai bune.
Cost - învățare sensibilă
O altă abordare a gestionării dezechilibrului datelor este învățarea sensibilă la costuri. În învățarea tradițională a mașinilor, toate erorile de clasificare greșită sunt tratate în mod egal. Cu toate acestea, în cazul dezechilibrului datelor, clasificarea greșită a unui eșantion de clasă minoritară este adesea mai costisitoare decât clasificarea greșită a unui eșantion de clasă majoritară.
În transformatoarele noastre deschise actuale, implementăm costuri - învățare sensibilă prin alocarea diferitelor costuri diferitelor tipuri de clasificare greșită. De exemplu, în aplicația de detectare a erorilor electrice, clasificarea greșită a unei afecțiuni defecte ca o condiție normală poate avea consecințe grave, cum ar fi incendii electrice sau daune echipamente. Prin urmare, atribuim un cost mai mare acestui tip de clasificare greșită.
În timpul procesului de instruire, transformatorul încearcă să reducă la minimum costul general al clasificării greșite. Acest lucru încurajează modelul să acorde mai multă atenție clasei minoritare și să -și îmbunătățească precizia clasificării pentru clasa minoritară. [CHK - F Transformatorul de curent rezidual dreptunghiular] (/Fire - Monitorizare - Rezidual - Curent - Transformator/CHK - F - Dreptunghi - Rezidual - Curent.HTML) este proiectat cu algoritmi de învățare sensibili la costuri - care îi permite să gestioneze mai bine dezechilibrul datelor în sarcinile de detectare a erorilor.
Metode de ansamblu
Metodele de ansamblu pot fi, de asemenea, eficiente în gestionarea dezechilibrului datelor. Un model de ansamblu combină mai multe modele de bază pentru a face o predicție finală. Folosind diferite modele de bază instruite pe diferite subseturi ale datelor, modelul de ansamblu poate capta o gamă mai largă de modele și poate îmbunătăți performanța generală.
Folosim tehnici de bagare și stimulare în transformatoarele noastre actuale deschise. Bagarea implică instruirea mai multor modele de bază pe diferite subseturi ale datelor, care sunt eșantionate aleatoriu cu înlocuirea. Sporificarea, pe de altă parte, antrenează secvențial modelele de bază, unde fiecare model nou se concentrează pe eșantioanele care au fost clasificate greșit de modelele anterioare.
În contextul dezechilibrului datelor, metodele de ansamblu pot ajuta transformatorul să învețe mai bine tiparele clasei minoritare. De exemplu, într -un ansamblu bazat pe bagaje, unele dintre modelele de bază pot fi instruite pe subseturi ale datelor care au o distribuție relativ echilibrată a claselor, permițându -le să învețe mai eficient caracteristicile clasei minoritare.
Valorile de evaluare
Atunci când se ocupă de dezechilibrul datelor, este posibil ca valorile de evaluare tradiționale, cum ar fi precizia să nu fie adecvate. Precizia măsoară proporția generală a eșantioanelor clasificate corect, dar poate fi înșelătoare în prezența dezechilibrului datelor. De exemplu, dacă un set de date are 95% eșantioane de clasă majoritară și eșantioane de clasa minoritară de 5%, un model care prezice întotdeauna clasa majoritară va obține o precizie de 95%, chiar dacă nu reușește să detecteze deloc clasa minoritară.
Folosim valori de evaluare mai adecvate, cum ar fi precizia, rechemarea și scorul F1. Precizia măsoară proporția de eșantioane pozitive prezise corect din toate eșantioanele pozitive prezise. Reclamarea măsoară proporția de eșantioane pozitive prezise corect din toate eșantioanele pozitive reale. Scorul F1 este media armonică a preciziei și a rechemării, oferind o măsură echilibrată a performanței modelului.
Folosind aceste valori de evaluare în timpul antrenamentului și testării transformatoarelor noastre deschise actuale, putem evalua mai bine capacitatea modelului de a gestiona dezechilibrul datelor și de a face ajustările necesare pentru a -și îmbunătăți performanța.
Concluzie
Dezechilibrul datelor este o provocare semnificativă în formarea transformatoarelor deschise actuale. Cu toate acestea, prin utilizarea tehnicilor de eșantionare, a învățării sensibile la costuri, a metodelor de ansamblu și a valorilor de evaluare adecvate, putem aborda în mod eficient această problemă. [CTKD Current Open Transformer] (/Fire - Monitorizare - Rezidual - Curent - Transformer/CTKD - Curent - Open - Transformer.html), [CHK - CTKD Open and Close Curent Transformer] (/Fire - Monitorizare - Rezidual - Curent - Transformer/CHK - CTKD - Open - și - Closed - Current - Transformer.html), și [CHK - F Rectangular Resident - Current - TRANSFORMER.HTML), și [CHK - F Rectangular Resident - Curent - Transformer.html), și [CHK - F Rectangular Rezidual Current - TRANSFORMER.HTML) și [CHK - F Rectangular Rezidual Current - TRANSFORMER.HTML) și [CHK - F Rectangular Rezidual Current. Monitorizare - rezidual - curent - transformator/CHK - F - dreptunghiular - rezidual - curent.html) sunt proiectate cu aceste strategii în minte pentru a asigura performanțe ridicate în diferite aplicații, în special în detectarea evenimentelor rare, cum ar fi defecțiunile electrice.
Dacă sunteți interesat de transformatoarele noastre deschise actuale și doriți să discutați despre achiziții, vă rugăm să nu ezitați să ne contactați. Suntem gata să vă oferim informații detaliate despre produse și soluții adaptate nevoilor dvs. specifice.
Referințe
- Chawla, NV, Bowyer, KW, Hall, Lo, & Kegelmeyer, WP (2002). Smote: Minoritate sintetică peste - Tehnica de eșantionare. Journal of Artificial Intelligence Research, 16, 321 - 357.
- Elkan, C. (2001). Fundațiile costurilor - învățare sensibilă. În Ijcai (vol. 1, p. 973 - 978).




