Ramalan kerosakan mesin

Gambaran projek

Membandingkan model untuk pengelasan status mesin.

Kajian pengelasan ensemble untuk set data kerosakan mesin yang sangat tidak seimbang. Aliran kerja memisahkan latihan, pemilihan ambang dan penilaian akhir, serta melaporkan pertimbangan pengesanan kerosakan dan bukan ketepatan sahaja.

• Python
• Pembelajaran Mesin
• Pembelajaran ensembel
• Penilaian

Di dalam binaan ini

• Menyediakan 20,000 rekod dengan 678 kerosakan dan 2,579 sel hilang melalui prapemprosesan yang dipadankan pada data latihan.
• Menggabungkan penganggar pokok keputusan, random forest, gradient boosting, AdaBoost, K-jiran terdekat dan regresi logistik.
• Memisahkan 12,000 rekod latihan, 4,000 pengesahan ambang dan 4,000 ujian dengan benih rawak tetap.
• Memilih ambang keputusan 0.455 berdasarkan F1 pengesahan daripada 181 calon.
• Melaporkan kejituan ujian terasing 0.5932, dapatan semula 0.7721 dan F1 0.6709, mengesan 105 daripada 136 kerosakan ujian dengan 72 positif palsu.
• Menambah 17 ujian serta mendokumenkan batas penilaian satu set data tanpa susunan masa; pengesahan kilang luaran dan penentukuran belum dibuktikan.

Kod sumber & pautan