Введение

В настоящее время заметны весьма значительные успехи в развитии микроэлектроники и коммуникационных технологий, повсеместное проникновение цифровых технологий привели к появлению огромных объемов сенсорных данных. Сбор, хранение и анализ сенсорных данных, являются немаловажным направлением деятельности в современном мире (I. Shafer, 2013). Сенсорные данные от датчика представляют собой временные ряды. Примерами источников данных являются системы управления производством, системы эксплуатационного мониторинга телекоммуникационных систем, системы автоматизации научных исследований. Анализ сенсорных данных позволяет контролировать изменение состояния объекта мониторинга во времени, изучать закономерности поведения, выявлять тенденции, удаленно диагностировать неисправности, принимать обоснованные решения по управлению объектом. Задача хранения сенсорных данных, таким образом, является актуальной и уже имеет множество решений. Недавний систематический поиск программного обеспечения баз данных временных рядов обнаружил 83 программных системы, и не похоже, чтобы на этом развитие темы закончилось (A. Bader, 2017). Разнообразие решений вызвано разнообразием условий задачи, в числе которых количество датчиков, темп поступления данных, длительность хранения, преобладание запросов на запись или на чтение, типы запросов на чтение, экономические ограничения. В исследуемой работе были рассмотрены данные с газовых сенсоров, представляющие собой простые временные ряды. Суть эксперимента заключалась в устранении утечек в трубопроводе с помощью создания газовых сенсоров. Проверка трубопровода основана на оценках: с помощью численных моделей, на основе параметров работы трубопровода, обнаружения акустической эмиссии и т.д. В нашем случае модель предсказывала значение одного из двух классов в ходе которых выступали газы: пропан и водород. Проводился анализ функции ответа выходов модели на валидационной выборке, приводя ее к линейному виду для того, чтобы оценить степень принадлежности примера к тому или иному классу. По итогу рассматривалась эффективность методов калибровки при различных алгоритмах машинного обучения при решении задачи бинарной классификации.

Модели машинного обучения помогают принимать решения в весьма сложных и ответственных задач, решение которых без участия человека казалось ранее недоступным. Наряду с этим одной из важнейших и до конца нерешённых теоретических и практических проблем в машинном обучении является калибровка моделей. На протяжении обучения в связи с разными причинами итоговая модель может демонстрировать разную эффективность для всевозможных примеров. Вытекающий фактор — функция числа, показывающая принадлежность примера к тому или иному классу не является линейной. Вместе с тем при выборе по порогу предполагается линейное и одинаковое поведение всех выходов сети. Калибровкой модели называют задачу приведения функции принадлежности к линейному виду.

Читать далее…