Прогнозирование возможных срабатываний системы (детектирование аномалий)
Подскажите пожалуйста в какую сторону смотреть при решении следующей задачи. Имеется физическая система, на ложное срабатывание которой теоретически могут влиять физические переключения смежных устройств. В составе есть устройства принимающие дискретные положения (0/1) и аналоговые, меняющиеся в широком диапазоне.
На данный момент пробую применять методы бинарной классификации. С дискретными параметрами понятно как можно взаимодействовать - достаточно рассматривать временные лаги от момента времени активации системы и фактически фиксировать их переключения в рассматриваемом лаге.
Проблемы заключаются с аналоговыми параметрами - какие метрики можно использовать при подаче их на вход классификатора (на данный момент попробовал использовать СКО в рассматриваемых временных лагах)?
Схематично задача изображена на рисунке ниже:
Ответы (1 шт):
Читаю, но никак не могу врубиться. Классификация - по определению - это когда у вас на выходе номинальные либо ранговые данные, а вот на входе - не важно что. Любой метод классификации (ну те, что вот слету вспомнились) прекрасно работают в таком случае - случае смешанных параметров. Вы на картинке показали случайный лес. Он вообще-то говоря строиться на основе деревьев. А им - все равно какой параметр стоит в узле. Если номинальный, то условие только "совпали или нет", если ранговый - то добавляется "больше-меньше", если интервальный, отношений или абсолютный - то вы можете формулировать условия в виде "больше Х", "меньше Х", и как раз алгоритм построения деревьев эти самые Х может определить.
Не очень понял ваше описание, но если вас интересуют не сами значения входных параметров, а факт их изменения, то во первых, вы должны сказать, что вы понимаете под изменением (например, изменение от значения 67 до значения 67.5 - это изменение или нет?), и тогда вы от непосредственных значений своего измеряемого параметра переходите к анализу события перехода. Кстати, для обнаружения факта "Изменения значения параметра" (разладки, выброса, аномалии и пр) применяется своя группа методов, в том числе и на основе СКО, хотя есть и более тонкие методы.
То, что задача решаемая - ну представьте, у вас объект - это пациент, параметры его описания могут быть какими угодно, а диагнозы методами машинного обучения последние годы ставятся все более точные. Типичная задача классификации, еще и многозначной, а не бинарной. Чем это принципиально отличается от вашей задачи? Объектом, но не возможными методами ее решения.