<< Click to Display Table of Contents >> 当前位置:  深度分析 > 案例介绍  风力发电机功率检测 复制链接

1.背景介绍

随着科学的发展，电能越来越成为人们重要的能源之一。风力发电机是将风能转换为机械功，机械功带动风力发电机内的转子旋转，最终输出交流电的电力设备。预测风力发电机的发电量可以预先规划用电任务，有效提升工程效率。

2.数据说明

某厂提供了风力发电机工作信息表，每条记录代表发电机的工作情况，共计37803条记录。数据字段描述如下表所示。

3.方案介绍

首先，根据项目背景介绍，整个问题是一个预测风力发电机发电功率的问题，可以将其抽象为一个回归问题，数据集中的输出功率字段，就是建模采用的目标值。

决策树回归是一种常用的机器学习算法，它可以用于解决回归问题。决策树回归算法构建一棵决策树，将特征空间划分为一系列的矩形区域，并对每个矩形区域内的样本进行回归预测。

4.方案分析

数据预处理：类似缺失值填充、归一化、去重等对数据直接进行处理的操作被称为数据预处理。数据预处理拥有加速模型的训练速度、提高模型训练准确度、防止误差数据影响模型的训练效果、防止空数据影响模型正常训练等优点。

参数配置：按需求填写参数值。

字段选择：如前所述，有监督算法需要指定自变量字段和因变量字段。点击特征列和目标列下方的选择数据按钮。再弹出的字段列表中选择相应的字段。

5.结果说明

当前项目的工作流，决策树回归算子将输出模型性能指标、真实值与预测值对比图。

1.模型性能指标：训练集和验证集上的性能指标：MSE、RMSE、MAE、EVS、R2、Adjusted R2。其中MSE、RMSE、MAE是不同计算方式下的误差指标，越接近0越好；EVS、R2和Adjusted R2取值都属于[0，1]中，且数值越大越好。

2.真实值与预测值对比图：用于直观地观察真实值与预测值的分布情况。

3.特征重要性直方图：特征重要性展现了每个自变量（特征）对于模型的影响大小，并对它们进行降序排列，使得研究者能够直观便捷的了解每个特征在模型中发挥作用的大小。

4.平行坐标图：平行坐标图是一种通用的可视化方法，能够用于探索高维或多元数据的分布情况。颜色的深浅代表了数据分布情况，颜色越深代表该区间上的数据分布越多。

5.决策树可视化：决策树可视化可用于观察不同层结点优先级别、损失、分类样本数以及分类打分等，是直观表现模型分类过程及其性能好坏的可视化工具。