模型可视化 参数搜查战略在轴承缺点诊断中的运行 SHAP

前言

本文基于凯斯西储大学（CWRU）轴承数据，经常使用 特色提取 和 机器学习方法 启动缺点识，而后基于XGBoos模型引见一种 参数搜查战略 ，并经过 SHAP模型可视化 技术对结果启动剖析。

可视化结果图：

十分类混杂矩阵

全局特色关键性图：

十分类 ROC曲线和AUC值：

标签实在值和预测值对比：

1 数据集和特色提取

1.1 数据集导入

参考之前的文章，启动缺点10分类的预解决，凯斯西储大学轴承数据10分类数据集：

数据的读取方式以及预解决思绪；

1.2 缺点信号特色提取

选用峭度、熵值、分形值、波形目的、频谱目的、频域目的、统计特色、振动特色等13种目的来捕捉轴承信号的多尺度特色，作为机器学习模型的训练与识别。

2 基于参数搜查战略的XGBoost缺点诊断模型

2.1 参数搜查战略：大步粗略搜查，小步粗疏搜查

关于XGBoost模型的关键参数：树的棵树、树的深度、学习率，采取大范畴粗略搜查，先锁定大略的参数范畴值，而后再驳回小步粗疏搜查来准确定位参数值。

2.2 大步粗略搜查

驳回网格搜查，确认大略的参数范畴值

2.3 小步粗疏搜查

第一步，搜查树的棵树

第二步，搜查树的深度

第三步，搜查学习率

3 XGBoost模型评价和可视化

3.1模型分数、准确率、准确率、召回率、F1 Score

3.2 缺点十分类混杂矩阵

3.3 SHAP 模型可视化

SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测结果的方法。用于权衡每个特色关于模型输入的奉献水平。经过计算SHAP值，咱们可以了解每个特色关于模型预测的影响，从而更好地理解模型的分类预测环节。这种可解释性关于提高模型的可信度和可解释性十分有协助。能够进一步剖析缺点信号所提取特色对轴承缺点诊断的奉献。

平均值（SHAP值）（对模型输入大小的平均影响），可以显著的看进去13个特色对每个类别的分类奉献度！

本文转载自​​，作者：