机器故障预测

项目概述

比较用于机器状态分类的模型。

一项针对严重类别不平衡的机器故障数据集的集成分类研究。工作流分开训练、阈值选择和最终评估，报告故障检测的取舍，而非仅看准确率。

• Python
• 机器学习
• 集成学习
• 评估

作品详情

• 对包含 678 次故障和 2,579 个缺失单元格的 20,000 条记录进行准备，预处理仅在训练数据上拟合。
• 组合决策树、随机森林、梯度提升、AdaBoost、K 近邻和逻辑回归估计器。
• 使用固定随机种子划分 12,000 条训练、4,000 条阈值验证和 4,000 条测试记录。
• 在 181 个候选值中，根据验证集 F1 选择 0.455 的决策阈值。
• 报告留出精确率 0.5932、召回率 0.7721 和 F1 0.6709，检出 136 次测试故障中的 105 次，同时产生 72 次误报。
• 添加 17 项测试，并记录单一数据集、非时间顺序评估的限制；外部工厂验证和校准仍未确立。

源代码与链接