pointnet（pointnet训练自己的数据）



你从制造设备中收集了正常设备和故障设备的传感器数据。 现在，你想使用 Model Builder 来训练机器学习模型，用于预测机器是否会出现故障。 通过使用机器学习来自动监视这些设备，你可以提供更及时和更可靠的维护，这样可以节省公司的资金。

若要开始训练过程，需要向新的或现有的 .NET 应用程序添加新的机器学习模型 (ML.NET) 项。

由于你是从头开始，因此请创建一个新的 C# 类库项目，你将在其中添加机器学习模型。

1. 启动 Visual Studio。
2. 在“开始”窗口中，选择“创建新项目”。
3. 在“创建新项目”对话框的搜索栏中键入“类库”。
4. 在选项列表中，选择“类库”。 确保语言为 C#，然后选择“下一步”。

5. 在“项目名称”文本框中，输入“PredictiveMaintenance”。 保留所有其他字段的默认值，然后选择“下一步”。
6. 从“框架”下拉列表中选择“.NET 6.0 (预览版)”，然后选择“创建”以搭建 C# 类库的基架。

类库项目在 Visual Studio 中打开后，可以将机器学习模型添加到项目中。

1. 在 Visual Studio 解决方案资源管理器中，右键单击项目。
2. 选择“添加”>“机器学习模型”。

3. 在“添加新项”对话框的新项列表中，选择“机器学习模型 (ML.NET)”。
4. 在“名称”文本框中，使用“PredictiveMaintenanceModel.mbconfig”作为模型的名称，然后选择“添加”。

几秒钟后，系统会将名为 PredictiveMaintenanceModel.mbconfig 的文件到项目中。

第一次将机器学习模型添加到项目时，将打开 Model Builder 屏幕。 现在可以选择场景。

你的用例是尝试确定机器是否损坏。 由于只存在两种选项，而你要确定机器的状态，因此数据分类场景最合适。

在 Model Builder 屏幕的“场景”步骤中，选择“数据分类”场景。 选择此场景后，将立即进入“环境”步骤。

对于数据分类场景，仅支持使用 CPU 的本地环境。

1. 在 Model Builder 屏幕的“环境”步骤中，默认选择“本地(CPU)”。 保留默认选择的环境。
2. 选择下一步。

选择场景和训练环境后，便可以加载和准备使用 Model Builder 收集的数据。

1. 在选择的文本编辑器中打开文件。
2. 原始列名包含特殊括号字符。 若要防止分析数据时出现问题，请从列名中删除特殊字符。

   原始标题：

   更新的标题：

3. 保存更改后的 ai4i2020.csv 文件。

预测性维护数据集是 CSV 文件。

在 Model Builder 屏幕的“数据”步骤中，在“数据源类型”处选择“文件(csv、tsv、txt)”。

选择“浏览”按钮，并使用文件资源管理器提供 ai4i2020.csv 数据集的位置。

从“要预测的列(标签)”下拉列表中选择“计算机故障”。

默认情况下，所有不是标签的列都用作特征。 某些列包含冗余信息，而其他列不提供预测的信息。 使用高级数据选项可忽略这些列。

1. 选择“高级数据选项”。
2. 在“高级数据选项”对话框中，选择“列设置”选项卡。

3. 按如下所示配置列设置：
   列数 目的 数据类型 分类 UDI 忽略 Single 产品 ID 功能 字符串 类型 功能 字符串 X Air temperature 功能 Single Process temperature 功能 Single Rotational speed 功能 Single 转矩 功能 Single Tool wear 功能 Single Machine failure 标签 Single X TWF 忽略 Single X HDF 忽略 Single X PWF 忽略 Single X OSF 忽略 Single X RNF 忽略 Single X
4. 选择“保存”。
5. 在 Model Builder 屏幕的“数据”步骤中，选择“下一步”。

使用 Model Builder 和 AutoML 训练模型。

Model Builder 根据文件大小自动设置训练时长。 在这种情况下，为帮助 Model Builder 浏览更多模型，请为训练时间提供更大的数字。

1. 在 Model Builder 屏幕的“训练”步骤中，将“训练时间(秒)”设置为 30。
2. 选择“训练”。

训练过程开始后，Model Builder 将浏览各种模型。 系统会在训练结果和 Visual Studio 输出窗口中跟踪训练过程。 训练结果提供有关在整个训练过程中找到的最佳模型的信息。 输出窗口提供详细信息，例如所用算法的名称、训练花费的时间以及该模型的性能指标。

同一算法名称可能会多次显示。 出现这种情况是因为 Model Builder 除了尝试不同的算法之外，还为这些算法尝试不同的超参数配置。

使用评估指标和数据来测试模型的性能。

在 Model Builder 屏幕的“评估”步骤中，你可以检查为最佳模型选择的评估指标和算法。 请记住，如果结果不同于本模块中提到的结果也没关系，因为选择的算法和超参数可能不同。

在“评估”步骤的“尝试模型”部分中，可以提供新数据并评估预测结果。

在“示例数据”部分，你可以为模型提供输入数据进行预测。 每个字段对应于用于训练模型的列。 这是验证模型行为是否符合预期的简便方法。 默认情况下，Model Builder 使用数据集中的第一行预填充示例数据。

接下来测试模型，看是否能生成预期结果。

1. 在“示例数据”部分中，输入以下数据。 这些数据源自数据集中 UID 为 161 的行。
   列 值 产品 ID L47340 类型 L Air temperature 298.4 Process temperature 308.2 Rotational speed 1282 转矩 60.7 Tool wear 216
2. 选择“预测”。

“结果”部分显示模型进行的预测以及该预测的置信度。

如果查看数据集中 UID 161 的“Machine failure”列，你会注意到值为 1。 这与“结果”部分中置信度最高的预测值相同。

如果需要，可以继续使用不同的输入值来尝试模型，并评估预测。

祝贺你！ 你训练出一个用来预测机器故障的模型。 下一单元将介绍模型使用。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/sjkxydsj/37407.html