Машинное обучение в энергоснабжении : учебное пособие (190,00 руб.)

Стр.2

Стр.3

УДК 378.147:620.9(075) ББК Ч481.253.1:31.19я Ц26 Печатается по решению редакционно-издательского совета Казанского национального исследовательского технологического университета Рецензенты: д-р техн. наук, проф. Г. В. Вагапов канд. техн. наук, доц. Т. Х. Мухаметгалеев Ц26 Цвенгер И. Г. Машинное обучение в энергоснабжении : учебное пособие / И. Г. Цвенгер; Минобрнауки России, Казан. нац. исслед. технол. ун-т. – Казань : Изд-во КНИТУ, 2024. – 112 с. ISBN 978-5-7882-3489-2 Содержит основные сведения о машинном обучении применительно к вопросам энергоэффективности зданий мегаполиса. Рассмотрены вопросы обработки входных данных, обучения модели и интерпретации результатов ее работы, а также примеры практического применения методов машинного обучения для закрепления теоретических знаний. Предназначено для обучающихся направления 13.04.02 «Электроэнергетика и электротехника» (профиль «Цифровизация электротехнических комплексов и систем нефтегазохимических производств»). Подготовлено на кафедре электропривода и электротехники. УДК 378.147:620.9(075) ББК Ч481.253.1:31.19я ISBN 978-5-7882-3489-2 © Цвенгер И. Г., 2024 © Казанский национальный исследовательский технологический университет, 2024 2

Стр.2

СОДЕРЖАНИЕ ВВЕДЕНИЕ ........................................................................................................................................ 4 1. РАБОТА С ДАННЫМИ ............................................................................................................... 5 1.1. Среда разработки и этапы исследования ............................................................... 5 1.2. Загрузка данных ................................................................................................................ 6 1.3. Первичный анализ данных ........................................................................................... 8 1.4. Интенсивность использования энергии ................................................................. 10 1.5. Поиск зависимостей ....................................................................................................... 13 1.6. Отсутствующие и аномальные данные ................................................................... 19 1.7. Разведочный анализ данных ...................................................................................... 27 1.8. Поиск взаимосвязей ...................................................................................................... 31 1.9. Конструирование и выбор признаков .................................................................... 36 1.10. Выбор базового уровня и разделение данных ................................................ 48 2. ОБУЧЕНИЕ МОДЕЛИ .............................................................................................................. 51 2.1. Заполнение отсутствующих значений .................................................................... 51 2.2. Масштабирование признаков (нормализация) ................................................... 52 2.3. Оценка и выбор модели ............................................................................................... 54 2.4. Градиентный бустинг (Gradient Boosting) .............................................................. 59 2.5. Библиотеки, реализующие градиентный бустинг .............................................. 61 2.6. Описание класса GradientBoostingRegressor ....................................................... 62 2.7. Определение гиперпараметров ................................................................................ 67 2.8. Настройка гиперпараметров ...................................................................................... 68 2.9. Описание процесса перекрестной проверки (Cross Validation) .................. 70 2.10. Описание класса RandomizedSearchCV ............................................................... 71 2.11. Анализ результатов настройки гиперпараметров ........................................... 74 2.12. Описание класса GridSearchCV ............................................................................... 76 2.13. Зависимость точности модели от числа деревьев .......................................... 79 2.14. Глубина деревьев в градиентном бустинге ........................................................ 81 2.15. Минимальное число объектов в листе ................................................................. 82 2.16. Оценка точности и производительности модели ............................................ 84 3. ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ РАБОТЫ МОДЕЛИ ................................................. 94 3.1. Загрузка данных для обучения модели ................................................................. 95 3.2. Интерпретация модели ................................................................................................. 97 3.3. Анализ важности признаков .................................................................................... 102 3.4. Анализ ошибок в прогнозе ....................................................................................... 104 ЗАКЛЮЧЕНИЕ ............................................................................................................................ 108 ЛИТЕРАТУРА ............................................................................................................................... 110 3

Стр.3