【机器学习】机器故障的二元分类模型-Kaggle竞赛

2023-11-13

竞赛介绍

数据集描述

本次竞赛的数据集(训练和测试)是从根据机器故障预测训练的深度学习模型生成的。特征分布与原始分布接近,但不完全相同。随意使用原始数据集作为本次竞赛的一部分,既可以探索差异,也可以了解在训练中合并原始数据集是否可以提高模型性能。

文件

训练.csv - 训练数据集; 是(二进制)目标(为了与原始数据集的顺序保持一致,它不在最后一列位置)Machine failure
测试.csv - 测试数据集;您的目标是预测概率Machine failure
sample_submission.csv - 正确格式的示例提交文件
文件下载地址:https://download.csdn.net/download/qq_37400312/87940914

竞赛地址

https://www.kaggle.com/competitions/playground-series-s3e17

参赛项目

介绍

采用二分类方法进行数据预测,本篇文章主要以入门为主,详细介绍二元分类的使用方法,下一篇文章将详细介绍冠军的代码

二分类相关知识点介绍

二分类

分类为一个常见的机器学习问题之一。你可能想预测客户是否有可能进行购买,信用卡交易是否存在欺诈,宇宙信号是否显示有新行星的证据,或者医学检测有疾病的证据。这些都是二分类问题。

在原始数据中,类可能由“Yes”和“No”或“Dog”和“Cat”等字符串表示。在使用这些数据之前,我们将分配一个类标签:一个类将是0,另一个将是1。指定数字标签将数据置于神经网络可以使用的形式。

准确度

衡量分类问题成功与否的众多指标之一。准确度是正确预测与总预测的比率:准确度=正确数/总数。一个总是正确预测的模型的准确度得分为1.0。在所有其他条件相同的情况下,每当数据集中的类以大约相同的频率出现时,准确度是一个合理的指标。

交叉熵

准确性(以及大多数其他分类指标)的问题在于,它不能用作损失函数。随机梯度下降法(SGD)需要一个平稳变化的损失函数,但精度,作为计数的比率,在“跳跃”中变化。因此,我们必须选择一个替代品作为损失函数。这个替代品是交叉熵函数。

回想一下损失函数定义了训练期间网络的目标。通过回归,我们的目标是最小化预期结果和预测结果之间的距离。我们选择了MAE来测量这个距离。

对于分类,我们想要的是概率之间的距离,这就是交叉熵提供的。交叉熵是一种度量从一个概率分布到另一个概率分布的距离的方法。

损失函数

对于二分类问题,常用的损失函数有:

  • binary_crossentropy:对Sigmoid/Logistic激活得到的概率计算loss,更适用于二分类。
  • mean_squared_error:直接对不激活的预测结果计算MSE loss,不是很符合二分类的真实损失计算方式。

评价指标

评价指标也具有相似性,二分类常用:

  • binary_accuracy:根据阈值将概率转为0/1预测,计算准确率。
  • AUC:计算ROC曲线下的面积,作为模型区分正负样本能力的重要指标。
    优化器的选择也相对灵活,常用的有:
  • SGD:简单梯度下降,容易设置但收敛慢,需要较小的学习率。
  • Adam:运用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,收敛快。
  • RMSprop:也是对每个参数的学习率进行调整,可以加速SGD收敛,在一定程度上解决了它的缺点。

项目源码

获取数据

import pandas as pd
from IPython.display import display

X_test = pd.read_csv('test.csv')
X_train = pd.read_csv('train.csv')

sid = X_test["id"]

查看行

print(X_train.columns)
Index(['id', 'Product ID', 'Type', 'Air temperature [K]',
       'Process temperature [K]', 'Rotational speed [rpm]', 'Torque [Nm]',
       'Tool wear [min]', 'Machine failure', 'TWF', 'HDF', 'PWF', 'OSF',
       'RNF'],
      dtype='object')

查看训练数据

X_train
id Product ID Type Air temperature [K] Process temperature [K] Rotational speed [rpm] Torque [Nm] Tool wear [min] Machine failure TWF HDF PWF OSF RNF
0 0 L50096 L 300.6 309.6 1596 36.1 140 0 0 0 0 0 0
1 1 M20343 M 302.6 312.1 1759 29.1 200 0 0 0 0 0 0
2 2 L49454 L 299.3 308.5 1805 26.5 25 0 0 0 0 0 0
3 3 L53355 L 301.0 310.9 1524 44.3 197 0 0 0 0 0 0
4 4 M24050 M 298.0 309.0 1641 35.4 34 0 0 0 0 0 0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
136424 136424 M22284 M 300.1 311.4 1530 37.5 210 0 0 0 0 0 0
136425 136425 H38017 H 297.5 308.5 1447 49.1 2 0 0 0 0 0 0
136426 136426 L54690 L 300.5 311.8 1524 38.5 214 0 0 0 0 0 0
136427 136427 L53876 L 301.7 310.9 1447 46.3 42 0 0 0 0 0 0
136428 136428 L47937 L 296.9 308.1 1557 39.3 229 0 0 0 0 0 0

136429 rows × 14 columns

查看测试数据

X_test
id Product ID Type Air temperature [K] Process temperature [K] Rotational speed [rpm] Torque [Nm] Tool wear [min] TWF HDF PWF OSF RNF
0 136429 L50896 L 302.3 311.5 1499 38.0 60 0 0 0 0 0
1 136430 L53866 L 301.7 311.0 1713 28.8 17 0 0 0 0 0
2 136431 L50498 L 301.3 310.4 1525 37.7 96 0 0 0 0 0
3 136432 M21232 M 300.1 309.6 1479 47.6 5 0 0 0 0 0
4 136433 M19751 M 303.4 312.3 1515 41.3 114 0 0 0 0 0
... ... ... ... ... ... ... ... ... ... ... ... ... ...
90949 227378 L51130 L 302.3 311.4 1484 40.4 15 0 0 0 0 0
90950 227379 L47783 L 297.9 309.8 1542 33.8 31 0 0 0 0 0
90951 227380 L48097 L 295.6 306.2 1501 41.4 187 0 0 0 0 0
90952 227381 L48969 L 298.1 307.8 1534 40.3 69 0 0 0 0 0
90953 227382 L52525 L 303.5 312.8 1534 36.1 92 0 0 0 0 0

90954 rows × 13 columns

将训练数据的目标值单独拿出

Y_train = X_train.pop('Machine failure')

查看训练数据的目标值

Y_train
0         0
1         0
2         0
3         0
4         0
         ..
136424    0
136425    0
136426    0
136427    0
136428    0
Name: Machine failure, Length: 136429, dtype: int64

将训练集分割为训练集和验证集

from sklearn.model_selection import train_test_split
X_train, X_valid, y_train, y_valid = \
    train_test_split(X_train,Y_train, stratify=Y_train, train_size=0.75)

查看训练集中非数值数据

X_train['Type'].unique()
array(['M', 'L', 'H'], dtype=object)
X_valid['Type'].unique()
array(['L', 'M', 'H'], dtype=object)
X_test['Type'].unique()
array(['L', 'M', 'H'], dtype=object)

将训练集中非数值数据进行onehot编码,数值数据转换为标准差形式


from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.pipeline import make_pipeline
from sklearn.compose import make_column_transformer


# X_train['Type'] = \
#     X_train['Type'].map(
#         {'L':1, 'M': 2, 'H':3}
#     )
# X_valid['Type'] = \
#     X_valid['Type'].map(
#         {'L':1, 'M': 2, 'H':3}
#     )
# X_test['Type'] = \
#     X_test['Type'].map(
#         {'L':1, 'M': 2, 'H':3}
#     )


# 数值数据的特征
features_num = [
    "Air temperature [K]","Process temperature [K]"
    ,"Rotational speed [rpm]","Torque [Nm]","Tool wear [min]"
    ,"TWF","HDF","PWF","OSF","RNF",
]
# 非数值数据的特征
features_cat = [
    "Type",
]

# 创建标准化管道
transformer_num = make_pipeline(
    SimpleImputer(strategy="constant"), # there are a few missing values
    StandardScaler(),
)
# 创建onehot编码管道
transformer_cat = make_pipeline(
    SimpleImputer(strategy="constant"),
    OneHotEncoder(handle_unknown='ignore'),
)

preprocessor = make_column_transformer(
    (transformer_num, features_num),
    (transformer_cat, features_cat),
)


X_train = preprocessor.fit_transform(X_train)
X_valid = preprocessor.transform(X_valid)
X_test = preprocessor.transform(X_test)


input_shape = [X_train.shape[1]]

创建模型

from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.BatchNormalization(input_shape=input_shape),
    layers.Dense(256, activation='relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.5),
    layers.Dense(256, activation='relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.5),
    layers.Dense(1, activation='sigmoid'),
])

编译模型

model.compile(
    #选择Adam作为优化器
    optimizer='adam', 
    #因为是二分类问题,所以使用binary_crossentropy作为损失函数
    loss='binary_crossentropy',
    #计算二分类精度,所以使用binary_accuracy作为评价指标
    metrics=['binary_accuracy'],

)

训练模型

early_stopping = keras.callbacks.EarlyStopping(
    patience=5,
    min_delta=0.001,
    restore_best_weights=True,
)
history = model.fit(
    X_train, y_train,
    validation_data=(X_valid, y_valid),
    batch_size=512,
    epochs=10,
    callbacks=[early_stopping],
#     verbose=0, # hide the output because we have so many epochs
)

history_df = pd.DataFrame(history.history)
history_df.loc[:, ['loss', 'val_loss']].plot(title="Cross-entropy")# 交叉熵 
history_df.loc[:, ['binary_accuracy', 'val_binary_accuracy']].plot(title="Accuracy")# 准确性 

Epoch 1/10
200/200 [==============================] - 6s 18ms/step - loss: 0.2060 - binary_accuracy: 0.9362 - val_loss: 0.0387 - val_binary_accuracy: 0.9965
Epoch 2/10
200/200 [==============================] - 3s 16ms/step - loss: 0.0427 - binary_accuracy: 0.9959 - val_loss: 0.0303 - val_binary_accuracy: 0.9965
Epoch 3/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0395 - binary_accuracy: 0.9956 - val_loss: 0.0289 - val_binary_accuracy: 0.9964
Epoch 4/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0310 - binary_accuracy: 0.9959 - val_loss: 0.0258 - val_binary_accuracy: 0.9964
Epoch 5/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0319 - binary_accuracy: 0.9959 - val_loss: 0.0250 - val_binary_accuracy: 0.9964
Epoch 6/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0289 - binary_accuracy: 0.9959 - val_loss: 0.0240 - val_binary_accuracy: 0.9965
Epoch 7/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0291 - binary_accuracy: 0.9959 - val_loss: 0.0234 - val_binary_accuracy: 0.9964
Epoch 8/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0292 - binary_accuracy: 0.9959 - val_loss: 0.0234 - val_binary_accuracy: 0.9964
Epoch 9/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0276 - binary_accuracy: 0.9959 - val_loss: 0.0234 - val_binary_accuracy: 0.9965
Epoch 10/10
200/200 [==============================] - 3s 17ms/step - loss: 0.0321 - binary_accuracy: 0.9948 - val_loss: 0.0226 - val_binary_accuracy: 0.9964





<AxesSubplot:title={'center':'Accuracy'}>

在这里插入图片描述

在这里插入图片描述

验证模型

# 获取验证集的预测结果
Y_valid_predict = model.predict(X_valid) 
# 将预测结果由概率转变为0或1
threshold = 0.5
Y_valid_predict = (Y_valid_predict > threshold).astype('int')

1066/1066 [==============================] - 3s 3ms/step
# 计算预测的准确性
from sklearn.metrics import accuracy_score
acc_score = accuracy_score(Y_valid_predict, y_valid)
print("Accuracy on valid set: {}%".format(acc_score*100)) 
Accuracy on valid set: 99.6393807904304%

对测试数据进行预测

X_test
array([[ 1.30927485,  1.12648811, -0.15104398, ...,  0.        ,
         1.        ,  0.        ],
       [ 0.98707189,  0.76543703,  1.38960729, ...,  0.        ,
         1.        ,  0.        ],
       [ 0.77226992,  0.33217574,  0.03613795, ...,  0.        ,
         1.        ,  0.        ],
       ...,
       [-2.2886582 , -2.7006533 , -0.13664537, ...,  0.        ,
         1.        ,  0.        ],
       [-0.94614587, -1.54528986,  0.10093169, ...,  0.        ,
         1.        ,  0.        ],
       [ 1.95368077,  2.06522091,  0.10093169, ...,  0.        ,
         1.        ,  0.        ]])

# 获取验证集的预测结果
Y_test = model.predict(X_test) 
2843/2843 [==============================] - 7s 3ms/step
# 将预测结果由概率转变为0或1
threshold = 0.5
Y_test = (Y_test > threshold).astype('int')
import numpy as np
sid = np.array(sid)
Y_test
array([[0],
       [0],
       [0],
       ...,
       [0],
       [0],
       [0]])
output = pd.DataFrame({"id": sid, "Machine failure": Y_test[:, 0]})
output.to_csv('submission.csv', index=False)
print("Your submission was successfully saved!")
Your submission was successfully saved!
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

【机器学习】机器故障的二元分类模型-Kaggle竞赛 的相关文章

随机推荐

  • 使用Electron开发PC客户端

    最近公司要求开发一个PC客户端 要求不能使用 NET开发 为了不让用户安装 net framework 所以就选择了Electron 随口听别人说了一句 之前从来没有接触过 目前项目要完毕了 所以就想记录一下在开发过程中遇到的一些问题和开发
  • Anaconda版本与python版本的对应

    Anaconda版本与python版本的对应 下载anaconda的时候需要指定版本 这个时候如果anaconda版本太高 这样安装python的时候无法安装低版本的适配python 因此需要自己确定需要什么版本的anaconda 下载的命
  • RTX3090+python3.8+tensorflow1.15虚拟环境配置

    RTX3090 python3 8 tensorflow1 15虚拟环境配置 RTX3090不支持安装tensorflow1系官方版本 nvidia tensorflow包含tensorflow1 15的cpu和gpu版本 测试可用 p s
  • JMeter压测:java.net.BindException: Address already in use: connect

    JMeter压测时报错 JMeter Response message Non HTTP response message Address already in use connect java net BindException Addr
  • 关于前端组件bootstrap使用上的几点小技巧

    关于前端组件bootstrap使用上的几点小技巧 1 再次查询时不是以第1页开始的 如果已经翻到第5页了 这个时候改变了一下查询条件 重新点击查询 这个时候会发现请求的根据最新查询条件的第5页的数据 而一般大家是希望点击查询按钮时重新从第1
  • 一键畅享云端ERP:使用Cpolar内网穿透将用友U8 Cloud部署至外网

    文章目录 前言 1 用户需求 2 Cpolar内网穿透的安装和注册 2 1 Cpolar云端设置 2 2 Cpolar Web UI本地设置 3 公网访问测试 前言 用友U8 Cloud是用友公司推出的一款云端ERP解决方案 它以云计算技术
  • 数据资源池和数据仓库的区别

    数据资源池和数据仓库都是企业中用来存储和管理数据的重要组成部分 但它们在实际应用中有着不同的作用和特点 数据资源池通常是一个集成多个数据源的中央存储库 可以存储不同类型和来源的数据 包括结构化 半结构化和非结构化数据 数据资源池可以通过不同
  • C++ 线程(std::thread)使用与并发

    目录 进程和线程 并发和并行 C 11 线程 多线程支持库 std thread 类成员函数 总结 示例 进程和线程 进程 程序 应用程序 可执行文件 一次执行 便开启了一个进程 进程是 CPU 独立分配资源的单位 线程 进程中的一个实体
  • C++ pair的基本用法总结(整理)

    pair
  • 理解Node.js的回调(Callback)

    一 回调 回调 Callback 是javascript中常用的使用方法 简单而言 就是 函数作为参数传递到另一个函数中 然后被调用 同样 在Node js中 比如I O操作发生的地方 经常使用回调模式 通过在回调函数中嵌套回调函数 可以控
  • 我的创作纪念日-128天

    机缘 移动办公的需求和个性化知识体系建立的需求共同需要一个方便 快捷的平台 当谈到移动办公的需求时 主要包括以下几点 任何时间 任何地点处理与业务相关的任何事情 例如家庭办公 出差员工远程办公等 这可以让员工摆脱时间和空间的束缚 单位信息可
  • Qt 槽函数被执行两次的问题

    在使用vs2015编写QT程序时 偶然发现点击一次button槽函数响应了两次 我起初认为是鼠标问题 特意换了鼠标试试结果还是一样的 所以我就研究了一下 按钮的名字是btn account add 以前我用Qt Creator 给按钮添加槽
  • Keepalived--02--安装和卸载

    一 安装前准备 yum y install gcc gcc c autoconf automake make yum y install zlib zlib devel openssl openssl devel pcre pcre dev
  • 频响特性曲线_OEP30W频率特性测量

    简介 在博文 OEP30W D 类音频功率放大器简单测试 中给出了OPE30W的基本连接方式和功能应用 对于该音频放大芯片的输出特性和温度特性是什么 本文给出了测试方案 在测试芯片的频率相应的时候 需要使用到正弦波产生芯片模块AD9833
  • Docker容器与虚拟化技术:Docker镜像创建、Dockerfile实例

    目录 一 理论 1 Docker镜像的创建方法 2 Docker镜像结构的分层 3 Dockerfile 案例 4 构建Systemctl镜像 基于SSH镜像 5 构建Tomcat 镜像 6 构建Mysql镜像 二 实验 1 Docker镜
  • Linux-Hadoop部署

    部署Hadoop 一 Hadoop部署模式 1 独立模式 2 伪分布式模式 3 完全分布式模式 二 Hadoop集群规划 1 集群拓扑 2 角色分配 三 JDK安装与配置 1 下载JDK压缩包 2 上传到master虚拟机 3 在maste
  • oracle insert 方法 分类

    1 最基本的insert 单表单行插入 insert into tablename 列名 values value 2 单表多行插入 1 insert into select 将select 的结果集插入到目标表中 select 可以是你可
  • docker run 报错: dial tcp xxxxxxxx:443: i/o timeout报错

    报错信息 error pulling image configuration Get https production cloudflare docker com registry v2 docker registry v2 blobs s
  • R语言练习题2

    关注公众号凡花花的小窝 收获更多的考研计算机专业编程相关的资料 3 从mtcars数据集中取出wt gt 2 6并且vs 0的数据 subset mtcars mtcarsKaTeX parse error Expected EOF got
  • 【机器学习】机器故障的二元分类模型-Kaggle竞赛

    竞赛介绍 数据集描述 本次竞赛的数据集 训练和测试 是从根据机器故障预测训练的深度学习模型生成的 特征分布与原始分布接近 但不完全相同 随意使用原始数据集作为本次竞赛的一部分 既可以探索差异 也可以了解在训练中合并原始数据集是否可以提高模型