현재 오픈 트랜스포머는 교육에서 데이터 불균형을 어떻게 처리합니까?

May 15, 2025메시지를 남겨주세요

데이터 불균형은 현재 오픈 트랜스포머 교육에서 일반적이고 어려운 문제입니다. 현재 오픈 트랜스포머의 공급 업체로서, 우리는이 문제를 처리하는 방법에 대한 광범위한 경험과 깊이 이해를 가지고 있습니다. 이 블로그에서는 현재 오픈 트랜스포머가 훈련 중에 데이터 불균형을 해결하기 위해 사용하는 방법과 전략을 살펴볼 것입니다.

변압기 훈련의 데이터 불균형 이해

데이터 불균형은 데이터 세트의 클래스 분포가 균일하지 않은 상황을 말합니다. 현재 오픈 변압기의 맥락에서, 이것은 전기 시스템의 결함 감지와 같은 다양한 응용 분야에서 발생할 수 있습니다. 예를 들어, 전기 결함을 감지하기위한 데이터 세트에서 정상 작동 조건은 비정상적이거나 결함이있는 조건을 훨씬 능가 할 수 있습니다. 이 불균형은 훈련 중에 몇 가지 문제를 일으킬 수 있습니다.

변압기가 불균형 데이터 세트에서 훈련되면 대다수 클래스에 편향된 경향이 있습니다. 이 모델은 다수 클래스에서 높은 정확도를 달성 할 수 있지만 소수 클래스에서는 제대로 수행하지 못할 수 있습니다. 전기 결함 감지 시나리오에서 변압기는 정상적인 작동 조건을 식별하는 데 매우 능숙하지만 드문 결함을 감지하지 못할 수 있습니다.

샘플링 기술

데이터 불균형을 처리하는 가장 일반적인 방법 중 하나는 샘플링 기술을 통한 것입니다. 샘플링에는 두 가지 주요 유형이 있습니다 : 오버 샘플링 및 언더 샘플링.

오버 샘플링

오버 샘플링은 소수 클래스의 샘플 수를 늘리는 것이 포함됩니다. 이것은 여러 가지 방법으로 수행 할 수 있습니다. 인기있는 방법 중 하나는 SMOTE (Synthetic Minority Over -SMOTE)입니다. Smote는 기존 소수 클래스 샘플을 보간하여 소수 클래스에 대한 합성 샘플을 만듭니다.

현재 오픈 트랜스포머에서 수정 된 버전의 Smote를 구현했습니다. 소수 클래스 데이터 포인트의 특성을 분석하고 실제 세계 시나리오를 대표하는 합성 샘플을 만듭니다. 예를 들어, 전기 결함 데이터의 경우 합성 샘플을 생성 할 때 전기 매개 변수와 시간 - 시리즈 특성을 고려합니다. 이것은 변압기가 소수 클래스의 패턴을 더 잘 배우고 드문 결함을 감지하는 능력을 향상시키는 데 도움이됩니다.

CHK-F Rectangular Residual Current Transformer

[CTKD 전류 오픈 트랜스포머] (/화재 - 모니터링 - 잔차 - 전류 - 변압기/CTKD- 전류 - 오픈 - 변압기 .html)는이 오버 샘플링 방법에서 크게 혜택을받습니다. 훈련 중 소수 클래스 샘플의 수를 늘려서 변압기는 소수 클래스의 고유 한 특징을 더 잘 포착하여보다 정확한 결함 감지를 초래할 수 있습니다.

언더 샘플링

반면에 언더 샘플링은 대다수 클래스의 샘플 수를 줄입니다. 이것은 데이터 세트의 균형을 맞추는 간단한 방법 일 수 있지만 귀중한 정보가 손실 될 수 있으므로 제한 사항도 있습니다.

우리는 현재 오픈 트랜스포머에서 선택적 언더 샘플링 접근법을 사용합니다. 대다수 클래스에서 샘플을 무작위로 제거하는 대신 유익하거나 중복이 적은 샘플을 식별하고 제거합니다. 예를 들어, 많은 수의 정상 작동 조건 샘플이있는 데이터 세트에서 매우 유사한 전기 매개 변수 값을 갖는 샘플을 제거 할 수 있습니다. 이런 식으로, 우리는 너무 많은 정보를 희생하지 않고 불균형을 줄일 수 있습니다. [CHK -CTKD Open and Close Current Transformer] (/Fire- 모니터링 - 잔차 - 전류 - 변압기/CHK -CTKD - Open- 및 - Close -Current -Transformer.html)는 교육 프로세스 중에이 샘플링 전략을 활용하여 모델이 가장 관련성이 높은 데이터에 집중할 수 있도록합니다.

비용 - 민감한 학습

데이터 불균형을 처리하는 또 다른 접근법은 비용 - 민감한 학습입니다. 전통적인 기계 학습에서 모든 오 분류 오류는 동일하게 처리됩니다. 그러나 데이터 불균형의 경우 소수 클래스 샘플을 잘못 분류하는 것이 다수의 클래스 샘플을 잘못 분류하는 것보다 더 많은 비용이 듭니다.

현재 오픈 트랜스포머에서 우리는 다른 유형의 오 분류에 다른 비용을 할당하여 비용 - 민감한 학습을 ​​구현합니다. 예를 들어, 전기 결함 감지 응용 프로그램에서 정상적인 상태로 결함이있는 상태를 잘못 분류하면 전기 화재 또는 장비 손상과 같은 심각한 결과가 발생할 수 있습니다. 따라서 우리는 이러한 유형의 오 분류에 더 높은 비용을 할당합니다.

훈련 과정에서 변압기는 전체 오 분류 비용을 최소화하려고합니다. 이를 통해이 모델은 소수 클래스에 더 많은주의를 기울이고 소수 클래스에 대한 분류 정확도를 향상시킬 수 있습니다. [CHK -F 직사각형 잔류 전류 변압기] (/화재 - 모니터링 - 잔류 - 전류 - 변압기/chk -f- 사각형 - 잔류 - current.html)는 비용 - 민감한 학습 알고리즘으로 설계되어 결함 감지 작업의 데이터 불균형을 더 잘 처리 할 수 ​​있습니다.

11d93f141e51f400e6c95487fd1bb8b9

앙상블 방법

앙상블 방법은 또한 데이터 불균형을 처리하는 데 효과적 일 수 있습니다. 앙상블 모델은 여러 기본 모델을 결합하여 최종 예측을합니다. 데이터의 다른 서브 세트에 대해 훈련 된 다른 기본 모델을 사용함으로써 앙상블 모델은 더 넓은 범위의 패턴을 캡처하고 전반적인 성능을 향상시킬 수 있습니다.

우리는 현재 오픈 트랜스포머에 포장 및 부스팅 기술을 사용합니다. 포장에는 데이터의 다른 서브 세트에서 다중 기본 모델을 훈련시키는 것이 포함되며, 이는 교체로 무작위로 샘플링됩니다. 반면에, 각각의 새로운 모델은 이전 모델에 의해 잘못 분류 된 샘플에 중점을 둔 기본 모델을 순차적으로 훈련시킵니다.

데이터 불균형의 맥락에서 앙상블 방법은 변압기가 소수 클래스의 패턴을 더 잘 배우는 데 도움이 될 수 있습니다. 예를 들어, 포장 - 기반 앙상블에서 일부 기본 모델은 비교적 균형 잡힌 클래스 분포가있는 데이터의 하위 집합에 대해 교육을받을 수있어 소수 클래스의 기능을보다 효과적으로 배울 수 있습니다.

평가 지표

데이터 불균형을 다룰 때는 정확도와 같은 전통적인 평가 지표가 적절하지 않을 수 있습니다. 정확도는 올바르게 분류 된 샘플의 전체 비율을 측정하지만 데이터 불균형이있는 경우 오도 할 수 있습니다. 예를 들어, 데이터 세트에 다수의 클래스 샘플 95%와 소수 클래스 샘플 5%가있는 경우 소수 클래스를 전혀 감지하지 못하더라도 대부분의 클래스를 항상 예측하는 모델은 95% 정확도를 달성 할 것입니다.

정밀, 리콜 및 F1 점수와 같은보다 적절한 평가 지표를 사용합니다. 정밀도는 모든 예측 된 양성 샘플 중 올바르게 예측 된 양성 샘플의 비율을 측정합니다. 리콜은 모든 실제 양성 샘플에서 올바르게 예측 된 양성 샘플의 비율을 측정합니다. F1 -Score는 정밀도와 리콜의 고조파 평균이며 모델 성능의 균형 잡힌 척도를 제공합니다.

현재 오픈 트랜스포머의 교육 및 테스트 중에 이러한 평가 지표를 사용함으로써 데이터 불균형을 처리하는 모델의 능력을 더 잘 평가하고 성능을 향상시키기 위해 필요한 조정을 수행 할 수 있습니다.

결론

데이터 불균형은 현재 오픈 트랜스포머의 훈련에 중요한 도전입니다. 그러나 샘플링 기술, 비용 - 민감한 학습, 앙상블 방법 및 적절한 평가 지표를 사용 하여이 문제를 효과적으로 해결할 수 있습니다. 당사의 [CTKD 전류 오픈 트랜스포머] (/화재 - 모니터링 - 잔류 - 전류 - 변압기/ctkd- 오픈 - 오픈 - 변압기 .html), [CHK -CTKD 오픈 및 클로즈 전류 변압기] (/화재 - 모니터링 - 잔류 - 전류 - 변압기/chk -ctkd- 개방 - 및 - close - current -transformer.html) 및 [CHK -FRORTALLER-] 모니터링 - 잔차 - 전류 - 변압기/CHK -F- 직사각형 - 잔류 - 전류 - 전류. html)는 이러한 전략을 염두에두고 다양한 응용 분야에서 높은 성능을 보장하기 위해, 특히 전기 결함과 같은 희귀 한 사건의 탐지에서 높은 성능을 보장합니다.

현재 오픈 트랜스포머에 관심이 있고 조달에 대해 논의하고 싶다면 언제든지 문의하십시오. 우리는 귀하의 특정 요구에 맞는 자세한 제품 정보 및 솔루션을 제공 할 준비가되었습니다.

참조

  1. Chawla, NV, Bowyer, KW, Hall, Lo 및 Kegelmeyer, WP (2002). Smote : 합성 소수 민족 오버 - 샘플링 기술. 인공 지능 연구 저널, 16, 321-357.
  2. Elkan, C. (2001). 비용의 기초 - 민감한 학습. IJCAI (Vol. 1, pp. 973-978).

문의 보내기

whatsapp

전화

이메일

문의