Python与机器学习（第2版）（微课版） 课件 10-07-误差自动补偿任务实施

误差自动补偿任务实施【数据挖掘应用】课程智能产线应用会对数据进行合理的预处理；会根据需要正确设计、训练全连接神经网络模型；会根据结果调整神经网络参数实现优化；会正确部署神经网络模型；会调用神经网络模型实现误差补偿。能力目标误差自动补偿数据分析主要内容任务工单引导问题任务评价标准任务解决步骤代码解析任务背景误差补偿分析补偿模型自动误差补偿控制模块原因：设备振动和温度变化等因素导致原有生产工艺无法实现高质量生产途径：对参数进行分析，自动修正加工参数目标：更多合格品指标：产品加工精度温度补偿示例教学难点任务工单

基于给定CSV文件中的误差数据进行模型训练，可选择、调用云端已提供的完整模型框架，设计全连接神经网络进行模型训练。任务概述

基于给定的误差补偿数据，训练全连接神经网络模型，并部署应用于工件生产过程中的自动化调参。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任务描述：

加工

雕刻

图案

绘制

结果误差补偿数据清洗误差补偿模型构建误差补偿模型训练与优化误差补偿模型应用全连接神经网络用于设备自动调参可提高生产合格率、节省材料、提高加工精度自动误差补偿控制模块加工雕刻过程显示任务概述（1）全连接神经网络有什么特点？可以应用在什么场合？（2）如何查找数据集中的异常值？该如何处理？（3）如何通过发现原始数据中的规律来寻找噪声数据？（4）如何测试模型的优劣？当测试结果较好但实际应用效果不好时，会是什么原因？”

问题引导：任务概述

任务评价：任务概述评价内容评价要点分值分数评定自我评价1.任务实施数据获取与清洗2分数据正确读取与显示得1分，会清洗数据得1分

模型构建2分会设计全连接神经网络模型得1分，模型正确构建得1分

模型训练1分模型训练能正确执行得1分模型保存2分模型正确保存得1分，模型正确部署得1分

2.效果评估模型评估2分训练MSE值0.5以下得1分，0.25以下得2分

3.任务总结依据任务实施情况总结结论1分总结内容切中本任务的重点要点得1分

合计10分

任务解决方案（1）数据加载与清洗使用pandas工具从./wc.csv中读取数据，并对数据做必要的清洗。importnumpyasnpimportpandasaspdraw_dataset=pd.read_csv('./wc.csv',sep=',',skipinitialspace=True)np.set_printoptions(precision=3,suppress=True)dataset=raw_dataset.copy()#做必要的清洗print("剔除前：",dataset.shape)dataset=dataset.dropna()dataset=dataset[dataset["score"]>90]print("剔除后：",dataset.shape)dataset.head()任务解决方案（2）切分数据集准备好模型训练所需的训练集与测试集。按一定的比例随机切分数据。#数据集切分train_dataset=dataset.sample(

frac=0.8,random_state=0)test_dataset=dataset.drop(train_dataset.index)#分别获取训练集和测试集的特征以及补偿值train_features=train_dataset.copy()train_labels=train_features[['c'+str(i+1)foriinrange(8)]].copy()train_features=train_features.drop(['c'+str(i+1)foriinrange(8)],axis=1)train_features=train_features.drop(['score'],axis=1)任务解决方案（3）设计神经网络根据应用场景和数据特征，设计全连接神经网络结构并进行训练。fromtensorflowimportkerasfromtensorflow.kerasimportlayersfromtensorflow.keras.layers.experimentalimportpreprocessingfromkerasimportregularizersmodel=tf.keras.Sequential([#根据情况调整模型结构layers.Dense(100,input_dim=train_features.shape[1],

activation=‘tanh’)layers.Dense(100,activation="tanh"),layers.Dense(32,activation="tanh"),layers.Dropout(0.5),layers.Dense(train_labels.shape[1])])任务解决方案（4）模型编译与训练根据应用场景和数据特征，设置损失函数、优化器、指标等参数。model.compile(loss="mse",

optimizer="adam",metrics='acc')#根据情况调整参数model.summary()model.fit(#根据情况调整参数train_features,train_labels,epochs=200,batch_size=32)任务解决方案（5）模型评估与保存使用测试集检测模型效果。继续修改结构并训练直至获得符合要求的MSE值。保存模型。test_preds=model.predict(test_features)print("y1MSE:%.4f"%

mean_squared_error(test_labels,test_preds))tf.keras.models.save_model(model,

'/tf/models/adjustment/tensorflow/1/',

#/tf/models/adjustment/tensorflow为tensorflow-serving的模型根目录overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任务解决方案（6）模型部署与应用修改误差任务中的“服务地址”为最后的模型算法地址。在【PLC触控操作面板】上切换模式，查看