相关实验视频
Updated: Jun 16, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
用于织物质量预测的自动机器学习:比较分析
Ahmet Metin1, Turgay Tugay Bilgin1
1Bursa Technical University, Bursa, Turkey.
PeerJ. Computer science
|August 15, 2024
概括
本研究评估了使用工业4.0数据进行织面料质量预测的七种自动机器学习 (AutoML) 工具. 在不同的准确度指标上,EvalML和AutoGluon在平衡效率和预测准确度方面表现出卓越的表现.
科学领域:
- 织制造业 织制造业 织制造业 织制造业 织制造业
- 机器学习 机器学习
- 工业4.0 工业4.0 工业4.0 工业4.0 工业4.0 是什么?
背景情况:
- 在织制造业中,布料质量预测至关重要.
- 物联网 (IoT) 和企业资源规划 (ERP) 系统提供了宝贵的数据.
- 工业4.0整合提高了生产率,并缩短了交付时间.
研究的目的:
- 为了应对在织物质量预测中的不平衡数据挑战.
- 评估七个开源自动机器学习 (AutoML) 技术.
- 确定最佳的AutoML解决方案,平衡计算效率和预测准确度.
主要方法:
- 评估了七个AutoML工具:FLAML,AutoViML,EvalML,AutoGluon,H2OAutoML,PyCaret和TPOT. 这三种工具的使用情况.
- 开发一种创新的方法,在计算效率和预测准确性之间达成妥协.
- 分析特征重要性排名的模型可解释性.
主要成果:
- 对于特定的目标函数,EvalML表现最好,在平均绝对误差 (MAE) 中表现出色.
- 尽管推断时间较长,但AutoGluon在平均绝对百分比误差 (MAPE),根平均平方误差 (RMSE) 和R平方方面表现出卓越的表现.
- 对于具有众多唯一值的分类变量,sin/cos编码被证明是有效的.
结论:
- 自动ML技术为提高织行业的织物质量预测提供了巨大的潜力.
- 平衡预测准确性和计算效率是实际AutoML实现的关键.
- 特性重要性分析提高了模型的解释性,指导未来的研究和工业4.0的采用.
