Изменение пароля
Пользователь
anonymous
Текущий пароль
*
Новый пароль
*
Подтверждение
*
Запомнить меня
Забыли пароль?
Электронная библиотека (16+)
Впервые на сайте?
Вход
/
Регистрация
Национальный цифровой ресурс
Национальный цифровой ресурс Руконт - межотраслевая электронная библиотека (ЭБС) на базе технологии Контекстум (всего произведений: 620258)
Для выхода нажмите Esc или
Машинное обучение в энергоснабжении : учебное пособие (190,00 руб.)
0
0
Первый автор
Цвенгер
Издательство
КНИТУ
Страниц
112
190,00р
Предпросмотр
ID
921340
Аннотация
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.
ISBN
978-5-7882-3489-2
Цвенгер, И.Г. Машинное обучение в энергоснабжении : учебное пособие / И.Г. Цвенгер .— Казань : КНИТУ, 2024 .— 112 с. — ISBN 978-5-7882-3489-2 .— URL: https://rucont.ru/efd/921340 (дата обращения: 23.10.2025)
Вы уже смотрели
Русский язык. Тематические тесты. 1 клас...
999,60 руб
Технологии строительства №7 2004
121,00 руб
Гониометрические характеристики осанки ш...
60,00 руб
Хороший бизнес, плохой бизнес. Визуальны...
1500,00 руб
Кардиологическая диагностика при ишемиче...
290,00 руб
Кочубей
Предпросмотр (выдержки из произведения)
Резюме документа
Страницы
Текст
Машинное_обучение_в_энергоснабжении__учебное_пособие.pdf
Стр.2
Стр.3
Машинное_обучение_в_энергоснабжении__учебное_пособие.pdf
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
Облако ключевых слов *
* - вычисляется автоматически
Мы используем куки, чтобы сделать сайт удобней для вас.
Подробнее
Хорошо