Geschäftskontext
In einer Produktionsanlage werden Daten von Hunderten von Sensoren gesammelt. Das Ziel ist es, ein robustes Modell zur Vorhersage von Maschinenausfällen ('Ausfall_Prognose') zu entwickeln. Da die optimale Netzwerkstruktur und die Anzahl der Prädiktoren unbekannt sind, soll die bnet-Aktion automatisch das beste Modell aus einer Reihe von Konfigurationen (verschiedene Strukturen, Anzahl der Eltern, Variablenauswahl) finden.
Über das Set : bayesianNetClassifier
Klassifikation mit Bayes-Netzen.
Entdecken Sie alle Aktionen von bayesianNetClassifier Datenaufbereitung
Erstellung einer großen Tabelle mit Sensordaten, die viele potenzielle Prädiktoren für einen Maschinenausfall enthält.
Kopiert!
| 1 | DATA work.sensor_daten; |
| 2 | call streaminit(789); |
| 3 | array sensors{100}; |
| 4 | DO record_id = 1 to 20000; |
| 5 | DO i = 1 to 100; |
| 6 | sensors{i} = rand('Normal', 50, 10); |
| 7 | END; |
| 8 | ausfall_wahrscheinlichkeit = 1 / (1 + exp(-( -5 + (sensors{3}/20) + (sensors{15}/25) - (sensors{78}/15) ))); |
| 9 | IF rand('Uniform') < ausfall_wahrscheinlichkeit THEN Ausfall_Prognose = 'JA'; ELSE Ausfall_Prognose = 'NEIN'; |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | drop i; |
| 13 | RUN; |
Étapes de réalisation
1
Laden der umfangreichen Sensordaten in CAS.
Kopiert!
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=work.sensor_daten outcaslib='casuser' casout='SENSOR_DATEN' replace; |
| 5 | RUN; |
| 6 |
2
Ausführen der bnet-Aktion mit 'bestModel=TRUE', um mehrere Strukturen ('TAN', 'MB'), maximale Elternanzahlen (1 bis 3) und Variablenauswahlmethoden zu testen.
Kopiert!
| 1 | PROC CAS; |
| 2 | bayesianNetClassifier.bnet / |
| 3 | TABLE={caslib='casuser', name='SENSOR_DATEN'}, |
| 4 | target='Ausfall_Prognose', |
| 5 | /* Nur die ersten 20 Sensoren als Inputs zur Vereinfachung */ |
| 6 | inputs={'sensors1'-'sensors20'}, |
| 7 | nominals={'Ausfall_Prognose'}, |
| 8 | bestModel=TRUE, |
| 9 | structures={'TAN', 'MB'}, |
| 10 | maxParents=3, |
| 11 | varSelect={'ONE', 'TWO'}, |
| 12 | outNetwork={caslib='casuser', name='bnet_sensor_netzwerk_best', replace=true}, |
| 13 | saveState={caslib='casuser', name='bnet_sensor_modell_best', replace=true}; |
| 14 | RUN; |
3
Überprüfen der 'ModelInfo'-Tabelle in den Ergebnissen, um die Parameter des ausgewählten besten Modells zu identifizieren.
Kopiert!
| 1 | /* Die 'ModelInfo'-Tabelle wird standardmäßig im Log ausgegeben, wenn bestModel=TRUE ist. |
| 2 | Dieser Schritt ist eine konzeptionelle Überprüfung des Logs, um zu sehen, welche Kombination |
| 3 | von Struktur, maxParents und varSelect den besten Misclassification Rate hatte. */ |
Erwartetes Ergebnis
Die Aktion führt eine Suche über den definierten Parameterraum durch und wählt das Modell mit der niedrigsten Fehlklassifikationsrate aus. Das Log zeigt die Ergebnisse für jede getestete Konfiguration an. Die Ausgabetabellen ('bnet_sensor_netzwerk_best', 'bnet_sensor_modell_best') entsprechen der Konfiguration des besten gefundenen Modells. Dies demonstriert die Fähigkeit der Aktion zur automatisierten Modelloptimierung.