《工业大数据分析》课件-6.模型评估_第1页
《工业大数据分析》课件-6.模型评估_第2页
《工业大数据分析》课件-6.模型评估_第3页
《工业大数据分析》课件-6.模型评估_第4页
《工业大数据分析》课件-6.模型评估_第5页
已阅读5页,还剩46页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

工业大数据分析工业大数据挖掘评估——回归评估主要内容01任务概述03模型构建流程02数据说明任务概述回归模型是对自变量相同和因变量相同的数据集,比较一种回归算法一组参数、不同参数组合或者多种回归算法之间的分析性能,检验回归模型的可靠性;最终根据一些评价的指标(如相对误差等等指标)或者图表展示,获得质量最佳的回归模型。①回归模型:机器通过学习与训练已有的数据构建回归模型,从而预测新数据的类别。②回归数据集:数据集,又称为资料集、数据集合或资料集合,是一种由数据所组成的集合。回归数据集即用于回归的数据集。数据说明本段中所用数据为风机结冰故障数据。叶片结冰是风电领域的一个全球性难题。低温环境所导致的叶片结冰、材料及结构性能改变、载荷改变的问题等,对风机的发电性能和安全运行造成较大的威胁。随着风机的设计功率不断提升,现有风机塔筒高度也在不断增长,因此即使在北部沿海和山区地区,冬季里大量风机都会触碰到较低的云层,在低温和潮湿环境下非常容易结冰。(1)了解常规的回归算法;(2)进一步理解线性回归算法;(3)能够基于工业大数据对回归效果进行评估。任务概述通过本任务的学习:主要内容01任务概述03模型构建流程02数据说明数据说明字段名称数据类型数据样例解释说明time字符型2015/11/40:00数据采集时间wind_speed数值型(DOUBLE)1.096584281风速generator_speed数值型(DOUBLE)1.236889745发电机转速power数值型(DOUBLE)1.008939网侧有功功率(kw)wind_direction数值型(DOUBLE)1.537073对风角(°)yaw_position数值型(DOUBLE)-0.62627偏航位置yaw_speed数值型(DOUBLE)-0.03896偏航速度pitch1_angle数值型(DOUBLE)0.222222叶片1角度pitch1_moto_tmp数值型(DOUBLE)-1.389叶片1变桨电机温度acc_x数值型(DOUBLE)-1.02399x方向加速度acc_y数值型(DOUBLE)0.061109y方向加速度environment_tmp数值型(DOUBLE)-0.8947环境温度int_tmp数值型(DOUBLE)-0.92206机舱温度pitch1_ng5_DC/pitch2_ng5_DC/pitch3_ng5_DC数值型(DOUBLE)-0.8叶片1/叶片2/叶片3ng5充电器直流电流frozen_state布尔型(BOOLEN)0结冰状态主要内容01任务概述03模型构建流程02数据说明模型构建流程步骤1:建模区“数据管理”下拉列表内拖入“文件输入”节点、“数据处理”下拉列表内拖入“设置角色节点”、“机器学习”下拉列表内拖入“线性回归”节点,“模型管理”下拉列表内拖入“回归评估”节点,每个节点右侧的英文字母D拖拽互相连接,构建如下模型:模型构建流程步骤2:点击“文件输入”节点,弹出下图,点击“选择数据”右下方图标,上传数据文件配置如下模型构建流程步骤3:“设置角色”节点配置如下:模型构建流程步骤4:“线性回归”节点配置如下:模型构建流程步骤5:点击上图“确定”按钮,完成配置,点击右上角运行按钮,运行后在洞察中查看模型运行结果,参考下图:模型构建流程运行结果说明:通过以上运行结果学习自变量相同和因变量相同的数据集,比较一种回归算法一组参数、不同参数组合或者多种回归算法之间的分析性能,检验回归模型的可靠性;最终根据一些评价的指标(如相对误差等等指标)或者图表展示,获得质量最佳的回归模型。拓展训练使用任务6.6拓展训练的分类建模,在“模型管理”菜单中选择“分类评估”节点,左边与“梯度提升决策树分类”节点连接,右边连接至END端,点击“分类评估”节点,选择全部的分类评估指标后点击执行。运行成功后点击分类评估节点,可查看分类评估指标,如:分类准确率、分类召回率、分类f1值、ROC和PR曲线、Lift曲线、Gains曲线、基尼系数和K-S曲线。模型构建流程使用任务6.2拓展训练的回归建模,在“模型管理”菜单中选择“回归评估”节点,左边与“线性回归”节点连接,右边连接至END端,点击执行。运行成功后点击回归评估节点,可查看误差图、误差表和模型评估结果,包括整体评估、误差评估、残差图等信息。工业大数据分析工业大数据挖掘评估——聚类评估主要内容01任务概述03模型构建流程02数据说明(1)了解常规的聚类算法;(2)进一步理解K-means聚类算法;(3)能够基于工业大数据对聚类效果进行评估。任务概述通过本任务的学习:任务概述聚类模型:俗话说:“物以类聚,人以群分”,所谓的聚类,就是将样本划分为由类似的对象组成的多个类的过程。聚类之后,我们可以更加准确地在每个类中单独使用统计模型进行估计,分析或者预测;也可以研究不同类之间的差异。本节案例选用聚类算法KMeans节点做聚类分析,结合聚类评估节点做模型评估。KMeans是一种聚类算法,其中K表示类别数,Means表示均值,是一种通过均值对数据点进行聚类的算法。KMeans算法通过预先设定的K值及每个类别的初始质心对相似的数据点进行划分,并通过划分后的均值迭代优化获得最优的聚类结果。该算法对空间需求及时间需求均是适度的,算法收敛速度很快。KMeans聚类算法适用于对球形簇分布的数据聚类分析,其可应用于客户细分、市场细分等分析场景。任务概述聚类评估,用来对自变量相同类数据集,比较一种聚类算法一组参数、不同参数组合或者多种聚类算法之间的分析性能,检验聚类模型的可靠性;最终根据一些评价的指标(如轮廓系数等等指标)或者图表展示,获得质量最佳的聚类模型。该节点用来评价一个聚类任务中的模型表现。只适用于所有的聚类评估任务。通过模型训练学习和一些评价指标,该节点自动计算得到较可靠的聚类模型。主要内容01任务概述03模型构建流程02数据说明数据说明本段中所用数据为风机结冰故障数据。叶片结冰是风电领域的一个全球范围难题。低温环境所导致的叶片结冰、材料及结构性能改变、载荷改变的问题等,对风机的发电性能和安全运行造成较大的威胁。随着风机的设计功率不断提升,现有风机塔筒高度也在不断增长,因此即使在北部沿海和山区地区,冬季里大量风机都会触碰到较低的云层,在低温和潮湿环境下非常容易结冰。字段名称数据类型数据样例解释说明time字符型2015/11/40:00数据采集时间wind_speed数值型(DOUBLE)1.096584281风速generator_speed数值型(DOUBLE)1.236889745发电机转速power数值型(DOUBLE)1.008939网侧有功功率(kw)wind_direction数值型(DOUBLE)1.537073对风角(°)yaw_position数值型(DOUBLE)-0.62627偏航位置yaw_speed数值型(DOUBLE)-0.03896偏航速度pitch1_angle数值型(DOUBLE)0.222222叶片1角度pitch1_moto_tmp数值型(DOUBLE)-1.389叶片1变桨电机温度acc_x数值型(DOUBLE)-1.02399x方向加速度acc_y数值型(DOUBLE)0.061109y方向加速度environment_tmp数值型(DOUBLE)-0.8947环境温度int_tmp数值型(DOUBLE)-0.92206机舱温度pitch1_ng5_DC/pitch2_ng5_DC/pitch3_ng5_DC数值型(DOUBLE)-0.8叶片1/叶片2/叶片3ng5充电器直流电流frozen_state布尔型(BOOLEN)0结冰状态数据说明主要内容01任务概述03模型构建流程02数据说明模型构建流程步骤1:建模区“数据管理”下拉列表内拖入“文件输入”节点、“数据处理”下拉列表内拖入“数值型属性变换”、“设置角色节点”、“机器学习”下拉列表内拖入“KMeans”节点,“模型管理”下拉列表内拖入“聚类评估”节点,每个节点右侧的英文字母D拖拽互相连接,构建如下模型:模型构建流程步骤2:点击“文件输入”节点,弹出下图,点击“选择数据”右下方图标,上传数据文件,节点配置如下:模型构建流程步骤3:“数值型属性变换”节点配置如下:模型构建流程步骤4:“设置角色”节点配置如下:模型构建流程步骤5:“机器学习”下拉列表内拖入“KMeans”节点,配置如下:模型构建流程步骤6:点击上图“确定”按钮,完成配置,点击右上角运行按钮,运行后在“洞察”中查看模型运行结果,如下图所示:模型构建流程运行结果说明:该节点用来评价一个聚类任务中的模型表现。只适用于所有的聚类评估任务。通过模型训练学习和一些评价指标,该节点自动计算得到出较可靠的聚类模型。拓展训练使用任务6.4拓展训练的聚类建模,在“模型管理”菜单中选择“聚类评估”节点,左边与“KMeans”节点连接,右边连接至END端,点击执行。运行成功后点击聚类评估节点,可查看聚类平方和、评价系数等信息。工业大数据分析工业大数据挖掘评估——时间序列评估主要内容01任务概述03模型构建流程02数据说明(1)了解常规的时间序列算法模型;(2)进一步理解时间序列算法ARIMA;(3)能够基于工业大数据对时间序列算法ARIMA效果的进行评估。。任务概述通过本任务的学习:任务概述本节选用时间序列算法ARIMA做算法分析,选用时间序列评估节点做模型评估。ARIMA模型将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。ARIMA(p,d,q)称为差分自回归移动平均模型,AR是自回归,p为自回归项;MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。注:此算法节点不支持连接模型利用节点,对于新数据只能重新进行预测。任务概述时间序列评估是对自变量相同的数据集,比较一种时间序列算法一组参数、不同参数组合或者多种时间序列算法之间的分析性能,检验时间序列模型的可靠性;最终根据一些评价的指标(如相对误差等等指标)或者图表展示,获得质量最佳的时间序列模型。主要内容01任务概述03模型构建流程02数据说明数据说明本段中所用数据为风机结冰故障数据。叶片结冰是风电领域的一个全球范围难题。低温环境所导致的叶片结冰、材料及结构性能改变、载荷改变的问题等,对风机的发电性能和安全运行造成较大的威胁。随着风机的设计功率不断提升,现有风机塔筒高度也在不断增长,因此即使在北部沿海和山区地区,冬季里大量风机都会触碰到较低的云层,在低温和潮湿环境下非常容易结冰。字段名称数据类型数据样例解释说明time字符型2015/11/40:00数据采集时间wind_speed数值型(DOUBLE)1.096584281风速generator_speed数值型(DOUBLE)1.236889745发电机转速power数值型(DOUBLE)1.008939网侧有功功率(kw)wind_direction数值型(DOUBLE)1.537073对风角(°)yaw_position数值型(DOUBLE)-0.62627偏航位置yaw_speed数值型(DOUBLE)-0.03896偏航速度pitch1_angle数值型(DOUBLE)0.222222叶片1角度pitch1_moto_tmp数值型(DOUBLE)-1.389叶片1变桨电机温度acc_x数值型(DOUBLE)-1.02399x方向加速度acc_y数值型(DOUBLE)0.061109y方向加速度environment_tmp数值型(DOUBLE)-0.8947环境温度int_tmp数值型(DOUBLE)-0.92206机舱温度pitch1_ng5_DC/pitch2_ng5_DC/pitch3_ng5_DC数值型(DOUBLE)-0.8叶片1/叶片2/叶片3ng5充电器直流电流frozen_state布尔型(BOOLEN)0结冰状态数据说明主要内容01任务概述03模型构建流程02数据说明模型构建流程步骤1:建模区“

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论