In che modo l'attuale trasformatore aperto gestisce lo squilibrio dei dati nella formazione?

May 15, 2025Lasciate un messaggio

Lo squilibrio dei dati è un problema comune e stimolante nella formazione degli attuali trasformatori aperti. Come fornitore di attuali trasformatori aperti, abbiamo una vasta esperienza e una comprensione in profondità di come gestire questo problema. In questo blog, esploreremo i metodi e le strategie che i nostri attuali trasformatori aperti usano per affrontare lo squilibrio dei dati durante la formazione.

Comprensione dello squilibrio dei dati nella formazione del trasformatore

Lo squilibrio dei dati si riferisce a una situazione in cui la distribuzione delle classi in un set di dati non è uniforme. Nel contesto degli attuali trasformatori aperti, ciò può verificarsi in varie applicazioni, come il rilevamento dei guasti nei sistemi elettrici. Ad esempio, in un set di dati per rilevare guasti elettrici, le normali condizioni operative possono superare di gran lunga condizioni anormali o difettose. Questo squilibrio può portare a diversi problemi durante l'allenamento.

Quando un trasformatore viene addestrato su un set di dati squilibrato, tende ad essere distorto verso la classe di maggioranza. Il modello può raggiungere un'elevata precisione nella classe di maggioranza ma funzionare male sulla classe di minoranza. Nello scenario di rilevamento dei guasti elettrici, il trasformatore può essere molto bravo a identificare le normali condizioni operative ma non riescono a rilevare guasti rari, che sono spesso i più critici da identificare.

Tecniche di campionamento

Uno dei modi più comuni per gestire lo squilibrio dei dati è attraverso le tecniche di campionamento. Esistono due tipi principali di campionamento: sovra -campionamento e sottocampionamento.

Sottocampionamento

Il sovra -campionamento comporta l'aumento del numero di campioni nella classe di minoranza. Questo può essere fatto in diversi modi. Un metodo popolare è la tecnica di campionamento di minoranza sintetica (SMOTE). SMOTE crea campioni sintetici per la classe di minoranza interpolando tra campioni di classe di minoranza esistenti.

Nel nostro attuale Open Transformers, abbiamo implementato una versione modificata di SMOTE. Analizziamo le caratteristiche dei punti dati della classe di minoranza e creiamo campioni sintetici più rappresentativi degli scenari del mondo reale. Ad esempio, nel caso dei dati di guasti elettrici, consideriamo i parametri elettrici e la natura della serie temporale dei dati quando si generano campioni sintetici. Questo aiuta il trasformatore a imparare meglio i modelli della classe di minoranza e a migliorare la sua capacità di rilevare rari guasti.

CHK-F Rectangular Residual Current Transformer

[CTKD Current Open Transformer] (/Fire - Monitoring - Residual - Current - Transformer/CTKD - Current - Open - Transformer.html) beneficia significativamente da questo metodo di sovra -campionamento. Aumentando il numero di campioni di classe di minoranza durante l'allenamento, il trasformatore può catturare meglio le caratteristiche uniche della classe di minoranza, portando a un rilevamento di guasti più accurato.

Sottovalutazione

La sottocampionamento, d'altra parte, riduce il numero di campioni nella classe di maggioranza. Questo può essere un modo semplice per bilanciare il set di dati, ma ha anche limiti in quanto può portare alla perdita di informazioni preziose.

Utilizziamo un approccio di sottocampionamento selettivo nei nostri attuali trasformatori aperti. Invece di rimuovere casualmente i campioni dalla classe di maggioranza, identifichiamo e rimuoviamo i campioni meno informativi o ridondanti. Ad esempio, in un set di dati con un gran numero di campioni di condizioni operative normali, possiamo rimuovere i campioni che hanno valori di parametri elettrici molto simili. In questo modo, possiamo ridurre lo squilibrio senza sacrificare troppe informazioni. Il trasformatore [CHK - CTKD Open e Close Current Transformer] (/Fire - Monitoraggio - Residuo - Current - Transformer/Chk - CTKD - Open - e - Close - Current - Transformer.html) utilizza questa strategia di scambiaggio sottovalutato durante il suo processo di addestramento, garantendo che il modello possa concentrarsi sui dati più rilevanti e ottenere prestazioni migliori.

Costo - apprendimento sensibile

Un altro approccio alla gestione dello squilibrio dei dati è l'apprendimento del costo. Nell'apprendimento automatico tradizionale, tutti gli errori di classificazione errata sono trattati allo stesso modo. Tuttavia, nel caso dello squilibrio dei dati, la classicamento errata di un campione di classe di minoranza è spesso più costosa che classificare erroneamente un campione di classe di maggioranza.

Nei nostri attuali trasformatori aperti, implementiamo l'apprendimento sensibile assegnando costi diversi a diversi tipi di classificazione errata. Ad esempio, nell'applicazione di rilevamento dei guasti elettrici, la classicante di una condizione difettosa come condizione normale può avere gravi conseguenze, come incendi elettrici o danni alle apparecchiature. Pertanto, assegniamo un costo più elevato a questo tipo di classificazione errata.

Durante il processo di formazione, il trasformatore cerca di ridurre al minimo il costo complessivo della classificazione errata. Ciò incoraggia il modello a prestare maggiore attenzione alla classe di minoranza e a migliorare la sua precisione di classificazione per la classe di minoranza. Il trasformatore di corrente residua rettangolare [CHK - F] (/Fire - Monitoraggio - Residuo - Current - Transformer/CHK - F - Rectangular - Residual - Current.html) è progettato con algoritmi di apprendimento costi - sensibili, che consente di gestire meglio lo squilibrio dei dati nei compiti di rilevamento degli errori.

11d93f141e51f400e6c95487fd1bb8b9

Metodi di ensemble

I metodi di ensemble possono anche essere efficaci nella gestione dello squilibrio dei dati. Un modello di ensemble combina più modelli di base per fare una previsione finale. Utilizzando diversi modelli di base addestrati su diversi sottoinsiemi dei dati, il modello di ensemble può catturare una gamma più ampia di modelli e migliorare le prestazioni complessive.

Usiamo tecniche di insaccamento e potenziamento nei nostri attuali trasformatori aperti. La borsa prevede l'addestramento di più modelli di base su diversi sottoinsiemi dei dati, che sono campionati casualmente con sostituzione. Il potenziamento, d'altra parte, forma i modelli di base in sequenza, in cui ogni nuovo modello si concentra sui campioni che sono stati classificati erroneamente dai modelli precedenti.

Nel contesto dello squilibrio dei dati, i metodi di ensemble possono aiutare il trasformatore a imparare meglio i modelli della classe di minoranza. Ad esempio, in un ensemble a base di insaccamento, alcuni dei modelli di base possono essere addestrati su sottoinsiemi dei dati che hanno una distribuzione relativamente bilanciata delle classi, consentendo loro di apprendere le caratteristiche della classe di minoranza in modo più efficace.

Metriche di valutazione

Quando si tratta di squilibrio dei dati, le metriche di valutazione tradizionali come l'accuratezza potrebbero non essere appropriate. L'accuratezza misura la percentuale complessiva di campioni correttamente classificati, ma può essere fuorviante in presenza di squilibrio dei dati. Ad esempio, se un set di dati ha campioni di classe di maggioranza del 95% e campioni di classe di minoranza al 5%, un modello che prevede sempre che la classe di maggioranza raggiungerà una precisione del 95%, anche se non riesce a rilevare la classe di minoranza.

Utilizziamo metriche di valutazione più appropriate come precisione, richiamo e punteggio F1. La precisione misura la percentuale di campioni positivi correttamente previsti da tutti i campioni positivi previsti. Il richiamo misura la percentuale di campioni positivi correttamente previsti da tutti i campioni positivi reali. Il punteggio F1 è la media armonica di precisione e richiamo, fornendo una misura equilibrata delle prestazioni del modello.

Utilizzando queste metriche di valutazione durante la formazione e il test dei nostri attuali trasformatori aperti, possiamo valutare meglio la capacità del modello di gestire lo squilibrio dei dati e apportare le modifiche necessarie per migliorare le sue prestazioni.

Conclusione

Lo squilibrio dei dati è una sfida significativa nella formazione degli attuali trasformatori aperti. Tuttavia, attraverso l'uso di tecniche di campionamento, costi - apprendimento sensibile, metodi di ensemble e metriche di valutazione appropriate, possiamo affrontare efficacemente questo problema. Il nostro [CTKD Current Open Transformer] (/Fire - Monitoraggio - Residuo - Current - Transformer/Ctkd - Current - Open - Transformer.Html), [CHK - CTKD Open e Close Current Transformer] (/Fire - Monitoraggio - Residuo - Currente - Currente/Chkd Residentico - Monitoraggio - residuo - corrente - trasformatore/chk - f - rettangolare - residuo - corrente.html) sono progettati pensando a queste strategie per garantire alte prestazioni in varie applicazioni, specialmente nel rilevamento di eventi rari come guasti elettrici.

Se sei interessato ai nostri attuali trasformatori aperti e vuoi discutere degli appalti, non esitare a contattarci. Siamo pronti a fornirti informazioni dettagliate sul prodotto e soluzioni su misura per le tue esigenze specifiche.

Riferimenti

  1. Chawla, NV, Bowyer, KW, Hall, LO e Kegelmeyer, WP (2002). SMOTE: minoranza sintetica Over - Tecnica di campionamento. Journal of Artificial Intelligence Research, 16, 321 - 357.
  2. Elkan, C. (2001). Le basi del costo - apprendimento sensibile. In ijcai (vol. 1, pagg. 973 - 978).

Invia la tua richiesta

whatsapp

Telefono

Posta elettronica

Inchiesta