Как текущият отворен трансформатор се справя с дисбаланса на данните в обучението?

May 15, 2025Остави съобщение

Дисбалансът на данните е често срещан и предизвикателен въпрос при обучението на настоящите отворени трансформатори. Като доставчик на настоящи отворени трансформатори имаме богат опит и в - задълбочено разбиране за това как да се справим с този проблем. В този блог ще проучим методите и стратегиите, които нашите настоящи отворени трансформатори използват за справяне с дисбаланса на данните по време на обучение.

Разбиране на дисбаланса на данните в обучението на трансформаторите

DATA DISABALANCE се отнася до ситуация, при която разпределението на класовете в набор от данни не е равномерно. В контекста на текущите отворени трансформатори това може да се случи в различни приложения, като откриване на неизправности в електрическите системи. Например, в набор от данни за откриване на електрически неизправности, нормалните условия на работа могат далеч да превъзхождат ненормални или дефектни условия. Този дисбаланс може да доведе до няколко проблема по време на тренировките.

Когато трансформаторът е обучен върху небалансиран набор от данни, той има тенденция да бъде предубеден към мнозинството. Моделът може да постигне висока точност на мажоритарния клас, но се представя лошо в клас на малцинствата. В сценария за откриване на електрически неизправности трансформаторът може да е много добър за идентифициране на нормални условия на работа, но не успява да открие редки грешки, които често са най -критичните за идентифициране.

Техники за вземане на проби

Един от най -често срещаните начини за справяне с дисбаланса на данните е чрез техники за вземане на проби. Има два основни типа вземане на проби: свръхсимплиране и подценяване.

Свръхсимплиране

Свързането включва увеличаване на броя на пробите в миноритарния клас. Това може да стане по няколко начина. Един популярен метод е синтетичното малцинство над - техника за вземане на проби (SMOTE). SMOTE създава синтетични проби за миноритарния клас чрез интерполиране между съществуващите проби от малцинства.

В настоящите си Open Transformers сме внедрили модифицирана версия на Smote. Анализираме характеристиките на точките от данни от малцинствения клас и създаваме синтетични проби, които са по -представителни за реалните световни сценарии. Например, в случай на данни за електрически неизправности, ние разглеждаме електрическите параметри и естеството на серията от серията при генериране на синтетични проби. Това помага на трансформатора да научи по -добре моделите на миноритарния клас и да подобри способността му да открива редки грешки.

CHK-F Rectangular Residual Current Transformer

[CTKD ток отворен трансформатор] (/Fire - Monitoring - Residual - Turrent - Transformer/CTKD - Turuc - Open - Transformer.html) се възползва значително от този метод за свръхпроизводство. Чрез увеличаване на броя на пробите от малцинствата по време на обучението, трансформаторът може по -добре да улови уникалните характеристики на миноритарния клас, което води до по -точно откриване на разломи.

Подценяване

От друга страна, намалява броя на пробите в мажоритарния клас. Това може да бъде прост начин за балансиране на набора от данни, но също така има ограничения, тъй като може да доведе до загуба на ценна информация.

Използваме селективен подход за подразбиране в нашите настоящи отворени трансформатори. Вместо да премахваме произволно проби от мнозинството, ние идентифицираме и премахваме пробите, които са по -малко информативни или излишни. Например, в набор от данни с голям брой проби от нормално работно състояние можем да премахнем пробите, които имат много сходни стойности на електрически параметри. По този начин можем да намалим дисбаланса, без да жертваме твърде много информация. [CHK - CTKD отворен и близък токов трансформатор] (/Fire - Monitoring - Residual - Turrent - Transformer/CHK - CTKD - Open - и - Close - Current - Transformer.html) използва тази стратегия за подчиняване на пробив по време на процеса на обучение, като гарантира, че моделът може да се съсредоточи върху най -съответните данни и да постигне по -добра ефективност.

Разходи - чувствително обучение

Друг подход за работа с дисбаланса на данните е цената - чувствителното обучение. При традиционното машинно обучение всички грешки в погрешното класификация се третират еднакво. Въпреки това, в случай на дисбаланс на данните, неправилното класифициране на извадка от клас на малцинствата често е по -скъпо от неправилно класифициране на извадка от мажоритарен клас.

В настоящите ни отворени трансформатори ние прилагаме чувствително обучение, като прилагаме различни разходи на различни видове погрешно класификация. Например, в приложението за откриване на електрически неизправности, погрешно класифициране на дефектно състояние като нормално състояние може да има сериозни последици, като електрически пожари или увреждане на оборудването. Следователно ние присвояваме по -висока цена на този тип погрешно класификация.

По време на процеса на обучение трансформаторът се опитва да сведе до минимум общите разходи за погрешна класификация. Това насърчава модела да обърне повече внимание на класа на малцинствата и да подобри точността на класификацията си за миноритарния клас. [CHK - F Правоъгълен трансформатор на остатъчен ток] (/Пожар - мониторинг - остатъчен - ток - трансформатор/CHK - F - правоъгълна - остатъчна - ток.html) е проектиран с разходи - чувствителни алгоритми за обучение, което му позволява по -добре да се справи с дисбаланса на данните в задачите за откриване на повреди.

11d93f141e51f400e6c95487fd1bb8b9

Методи на ансамбъла

Методите на ансамбъла също могат да бъдат ефективни при работа с дисбаланса на данните. Моделът на ансамбъла комбинира множество базови модели, за да направи окончателно прогнозиране. Използвайки различни базови модели, обучени на различни подмножества на данните, моделът на ансамбъла може да улови по -широк спектър от модели и да подобри цялостната производителност.

Ние използваме техники за пакетиране и усилване в настоящите ни отворени трансформатори. Пакетирането включва обучение на множество базови модели на различни подмножества на данните, които се вземат на случаен принцип с подмяна. Увеличаването, от друга страна, обучава основни модели последователно, където всеки нов модел се фокусира върху пробите, които са били класифицирани погрешно от предишните модели.

В контекста на дисбаланса на данните методите на ансамбъла могат да помогнат на трансформатора да научи по -добре моделите на миноритарния клас. Например, в ансамбъл, базиран на пакетиране, някои от базовите модели могат да бъдат обучени върху подмножества от данните, които имат относително балансирано разпределение на класовете, което им позволява да научат характеристиките на миноритарния клас по -ефективно.

Показатели за оценка

При работа с дисбаланс на данните, традиционните показатели за оценка като точност може да не са подходящи. Точността измерва общия дял на правилно класифицираните проби, но тя може да бъде подвеждаща при наличието на дисбаланс на данните. Например, ако набор от данни има проби от 95% от мажоритарния клас и 5% проби от малцинства, модел, който винаги прогнозира, че класът по мнозинство ще постигне 95% точност, въпреки че изобщо не успява да открие клас на малцинствата.

Използваме по -подходящи показатели за оценка като прецизност, извикване и F1 - резултат. Прецизността измерва дела на правилно прогнозираните положителни проби от всички прогнозирани положителни проби. Припомняне измерва съотношението на правилно прогнозираните положителни проби от всички действителни положителни проби. Резултатът F1 е хармоничната средна стойност на прецизността и припомнянето, осигуряваща балансирана мярка за производителността на модела.

Използвайки тези показатели за оценка по време на обучението и тестването на нашите текущи отворени трансформатори, можем по -добре да оценим способността на модела да се справи с дисбаланса на данните и да направим необходими корекции, за да подобри нейната работа.

Заключение

Дисбалансът на данните е значително предизвикателство в обучението на настоящите отворени трансформатори. Въпреки това, чрез използването на техники за вземане на проби, чувствително обучение, методи на ансамбъл и подходящи показатели за оценка, можем ефективно да се справим с този проблем. 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 - Мониторинг - остатъчен - ток - трансформатор/CHK - F - правоъгълна - остатъчна - ток.html) са проектирани с тези стратегии, за да се осигури висока производителност в различни приложения, особено при откриване на редки събития като електрически разломи.

Ако се интересувате от настоящите ни отворени трансформатори и искате да обсъдите поръчките, моля не се колебайте да се свържете с нас. Готови сме да ви предоставим подробна информация и решения за продукта, съобразени с вашите специфични нужди.

ЛИТЕРАТУРА

  1. Chawla, NV, Bowyer, KW, Hall, Lo, & Kegelmeyer, WP (2002). Smote: Синтетично малцинство над - техника за вземане на проби. Списание за изследване на изкуствения интелект, 16, 321 - 357.
  2. Elkan, C. (2001). Основите на разходите - чувствително обучение. В Ijcai (том 1, стр. 973 - 978).

Изпрати запитване

whatsapp

Телефон

Имейл

Запитване