您好, 登录| 注册|
论坛导航
您好, 登录| 注册|
子站:
论坛首页    电动汽车/充电桩
  •  发帖
  • 收藏

充电桩故障检测
阅读: 300 |  回复: 1 楼层直达

2018/12/29 10:12:53
1
clockwork_planet
电源币:14 | 积分:31 主题帖:102 | 回复帖:50
LV5
营长

QQ截图20160321155901 【有奖试用】英飞凌40W准谐振反激电源有奖试用招募

QQ截图20160321155901 【精选内容】管理员用心整理的有含金量的帖子 请速来围观


from sklearn.metrics import accuracy_score

from sklearn.model_selection import StratifiedKFold

import xgboost as xgb

import pandas as pd

import numpy as np

from sklearn.model_selection import train_test_split

import sklearn.preprocessing as preprocessing




# 导入数据



col_names = ["ID","K1K2驱动信号","电子锁驱动信号","急停信号","门禁信号","THDV-M","THDI-M","label"]

data = pd.read_csv("data_train.csv",names=col_names)


dataset_X = data[["K1K2驱动信号","电子锁驱动信号","急停信号","门禁信号","THDV-M","THDI-M"]]#二维数组的格式

dataset_Y = data[["label"]].as_matrix()

dataset_Y=np.array(dataset_Y).reshape(len(dataset_Y))

data.fillna(0)

#数据预处理

scaler = preprocessing.StandardScaler()

lists = ["K1K2驱动信号", "电子锁驱动信号", "急停信号", "门禁信号", "THDV-M", "THDI-M", ]

for list in lists:

         data[list] = scaler.fit_transform(data[[list]])

#划分数据集

x_train, x_test, y_train, y_test = train_test_split(dataset_X, dataset_Y,test_size=0.2,random_state=1)


xgb_val = xgb.DMatrix(x_test, label=y_test)

xgb_train = xgb.DMatrix(x_train, label=y_train)

xgb_test = xgb.DMatrix(x_test)

#参数

params = {

      'booster': 'gbtree',   

       # 'objective': 'multi:softmax',  # 多分类的问题、    

       # 'objective': 'multi:softprob',   # 多分类概率    

        'objective': 'binary:logistic',  

        'eval_metric': 'logloss',  

       # 'num_class': 9,  # 类别数,与 multisoftmax 并用   

       'gamma': 0.1,  # 用于控制是否后剪枝的参数,越大越保守,一般0.1、0.2这样子。    

       'max_depth': 8,  # 构建树的深度,越大越容易过拟合    important   

        'alpha': 0,  # L1正则化系数   

         'lambda': 11,  # 控制模型复杂度的权重值的L2正则化项参数,参数越大,模型越不容易过拟合。  

         'subsample': 0.7,  # 随机采样训练样本   

         'colsample_bytree': 0.5,  # 生成树时进行的列采样   

         # 'min_child_weight': 2,   

         'min_child_weight': 3,   

        # 这个参数默认是 1,是每个叶子里面 h 的和至少是多少,对正负样本不均衡时的 0-1 分类而言  

        # ,假设 h 在 0.01 附近,min_child_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。   

       # 这个参数非常影响结果,控制叶子节点中二阶导的和的最小值,该参数值越小,越容易 overfitting。  

        'silent': 0,  # 设置成1则没有运行信息输出,最好是设置为0.   

       'eta': 0.2,  # 如同学习率   

       'seed': 100,   

       'nthread': -1,  # cpu 线程数    

         'missing': 1,   

        'scale_pos_weight': (np.sum(y_train == 0) / np.sum(y_train == 1)),

        # 用来处理正负样本不均衡的问题,通常取:sum(negative cases) / sum(positive cases)

         #     'eval_metric': 'auc'

}

params['is_unbalance']='true'

params['metric'] = 'auc'


num_rounds = 4000 # 迭代次数

watchlist = [(xgb_train, 'train'), (xgb_val, 'val')]


# 交叉验证

result = xgb.cv(params, xgb_train, num_boost_round=10, nfold=4, early_stopping_rounds=200, 

verbose_eval=True,               

             folds=StratifiedKFold(n_splits=6).split(x_train, y_train))

# early_stopping_rounds 当设置的迭代次数较大时,early_stopping_rounds 

可在一定的迭代次数内准确率没有提升就停止训练


# 训练模型并保存 

model = xgb.train(params, xgb_train, num_rounds,watchlist)

# model.save_model('../data/model/xgb.model')  # 用于存储训练出的模型 


preds = model.predict(xgb_test)

print(preds)


for i in range(len(preds)):   

       if preds[i]>0.51:       

         preds[i]=1   

   else:        

         preds[i]=0


y_predict = [int(item) for item in preds]

   print(len(y_predict))

acc=accuracy_score(y_predict,y_test)

print(acc)


#def read_data():   

       col_names = ["ID", "K1K2驱动信号", "电子锁驱动信号", "急停信号", "门禁信号", "THDV-M", "THDI-M"]    

       data = pd.read_csv("data_test.csv", names=col_names)       

        # print([图片]data.info())   

       data = data.fillna(0)    

       return data[["K1K2驱动信号", "电子锁驱动信号", "急停信号", "门禁信号", "THDV-M", "THDI-M"]],data["ID"]

#


subdata ,Id = read_data()

xgb_test1 = xgb.DMatrix(subdata)

y_predict = model.predict(xgb_test1)

print(y_predict)

   for i in range(len(y_predict)):    

    if y_predict[i]>0.51:       

      y_predict[i]=int(1)   

    else:        

         y_predict[i]=int(0)


y_predict = [int(item) for item in y_predict]

print(y_predict)

print(subdata)


submission = pd.DataFrame({  

      "id":Id,       

      "predictrion": y_predict   

})

submission.to_csv("one1.csv",index=None,header=None)


来源:网络,如侵,删




2018/12/29 12:56:54
2
紫蝶
电源币:590 | 积分:5 主题帖:35 | 回复帖:746
LV8
师长
光有代码,没有解释,没啥作用。
客服热线
服务时间:周一至周五9:00-18:00
微信关注
免费技术研讨会
获取一手干货分享

互联网违法不良信息举报

Reporting Internet Illegal and Bad Information
editor@netbroad.com
022-58392381