Wie erstellt man ein maschinelles Lernmodell für ein Brandmeldesystem?

Question

Kürzlich beginne ich mit maschinellem Lernen. Ich möchte ein maschinelles Lernmodell für ein Echtzeit-Brandmeldesystem erstellen. Eingabedaten sind Umwelteigenschaften und Ausgabedaten sind Feuermöglichkeiten. Wenn Time = 0 ist, setzen wir das Feuer. Nur zum Beispiel:

Time Temperature CO CO2 ... ... Fire_Possibility 
    -20 20   ** **   Low 
    -15 21   ** **   Low 
    -10 19   ** **   Low 
    -5 20   ** **   Low 
    0 22   ** **   Med 
    5 25   ** **   Med 
    10 27   ** **   High 
    15 31   ** **   High 
    ... ... 
    ... ... 

Ich versuche, ein neuronales Netz mit Weka zu trainieren, so dass für jeden Moment, ich die Änderungsrate und den relativen Wert für jedes Attribut zu berechnen und dann das Modell trainieren, wie folgt aus:

Time Tem_Rate_of_change  Tem_Relative_value CO CO2 ... ... Fire_Possibility 
    -20 0      0     ** **   Low 
    -15 1      1     ** **   Low 
    -10 -2      -1     ** **   Low 
    -5 1      0     ** **   Low 
    0 2      2     ** **   Med 
    5 3      5     ** **   Med 
    10 2      7     ** **   High 
    15 4      11     ** **   High 
    ... ... 
    ... ... 

Aber ich konnte kein Modell mit hoher Genauigkeit erhalten. Ich denke, es ist besser, die Erkennung mit allen Werten in der Vergangenheit zu machen, anstatt Werte in einem Moment zu verwenden. Ich weiß nicht, ob es ein maschinelles Lernmodell gibt, das in der Vergangenheit mit Werten in einer bestimmten Zeit trainiert werden kann. Kann mir jemand helfen?

Answer 1

Für Ihren Fall denke ich, was Sie tun müssen, um mindestens 3 Dinge:

• Feature-Engineering: sorgfältig eine Reihe von Features entwerfen relevante Merkmale aus Ihren Daten inclusing Auswahl derivate Funktionen erstellen, verwirft nicht relevante Merkmale (zum Beispiel denke ich, dass deine aktuelle Zeit kein relevantes Merkmal ist, oder gibt es eine mathematische Beziehung/Korrelation zwischen Zeit und Feuer Möglichkeit?). Sie können Hilfe von Feature-Auswahl-Algorithmen und Paketen dafür erhalten.
• Perform „Maschinelles Lernen Diagnose“ und Plot Lernkurven: Diese Sie identifizieren hilft, wenn Sie underfitting haben, Überanpassung und in Abhängigkeit von den Ergebnissen Definieren Sie folgende Aktion (Richtlinie Theres je nach Fall)
• Fehleranalyse durchführen: Analyse einige Missklassifizierungsbeispiele und überprüfen, ob es ein Muster oder gemeinsames Verhalten in ihnen gibt, kategorisieren sie und denken in Aktionen, die helfen könnten, eine bessere Klassifizierung durchzuführen.

Und ein anderer rät: stattdessen eine 3-Klasse classficiation zu versuchen, versuchen, eine binäre classificaton und eine reelle Zahl zwischen 0 und 1 erhalten die Wahrscheinlichkeit des Feuers darstellt.