實戰-電力竊露漏電使用者自動識別

西西嘛呦發表於2020-09-18

問題描述：判斷使用者是否竊漏電

問題解決：二分類問題

缺失值：拉格朗日插值法進行填充

使用的特徵：電量趨勢下降指標、線損指標、警告類指標

這裡使用的資料來<python資料分析與實戰第六章>

資料：

程式碼實現：

1、載入資料

import pandas as pd
from random import shuffle

datafile = path + 'chapter6/model.xls'
data = pd.read_excel(datafile)

2、劃分訓練集和測試集

#data = data.as_matrix() 舊版本的pandas是這麼使用的，將dataframe轉換為矩陣
data = data.iloc[:,:].values #新版本這麼使用
shuffle(data)

p = 0.8 #設定訓練資料比例
train = data[:int(len(data)*p),:]
test = data[int(len(data)*p):,:]

3、使用keras定義模型

from keras.models import Sequential #匯入神經網路初始化函式
from keras.layers.core import Dense, Activation #匯入神經網路層函式、啟用函式

netfile = path + 'chapter6/net.model' #構建的神經網路模型儲存路徑

net = Sequential() #建立神經網路
net.add(Dense(3, 10)) #新增輸入層（3節點）到隱藏層（10節點）的連線
net.add(Activation('relu')) #隱藏層使用relu啟用函式
net.add(Dense(10, 1)) #新增隱藏層（10節點）到輸出層（1節點）的連線
net.add(Activation('sigmoid')) #輸出層使用sigmoid啟用函式
net.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = "binary") #編譯模型，使用adam方法求解

net.fit(train[:,:3], train[:,3], nb_epoch=100, batch_size=1) #訓練模型，迴圈100次
net.save_weights(netfile) #儲存模型

由於keras版本導致的錯誤：

常見錯誤（均是因為keras版本改動）

TypeError: Dense can accept only 1 positional arguments ('units',), but you passed the following positional arguments: [23, 34]
解決方法：在Dense中寫好引數名稱改為Dense(input_dim=23,units=34)
ValueError: ('Some keys in session_kwargs are not supported at this time: %s', dict_keys(['class_mode']))
UserWarning: The nb_epoch argument in fit has been renamed epochs
解決方法：

修改程式碼中的“nb_epoch”為“epochs”即可

修改後的程式碼：

from keras.models import Sequential #匯入神經網路初始化函式
from keras.layers.core import Dense, Activation #匯入神經網路層函式、啟用函式

netfile = path + 'chapter6/net.model' #構建的神經網路模型儲存路徑

net = Sequential() #建立神經網路
net.add(Dense(input_dim=3, units=10)) #新增輸入層（3節點）到隱藏層（10節點）的連線
net.add(Activation('relu')) #隱藏層使用relu啟用函式
net.add(Dense(input_dim=10, units=1)) #新增隱藏層（10節點）到輸出層（1節點）的連線
net.add(Activation('sigmoid')) #輸出層使用sigmoid啟用函式
net.compile(loss = 'binary_crossentropy', optimizer = 'adam') #編譯模型，使用adam方法求解

net.fit(train[:,:3], train[:,3], epochs=100, batch_size=1) #訓練模型，迴圈100次
net.save_weights(netfile) #儲存模型

部分結果：

Epoch 97/100
232/232 [==============================] - 1s 3ms/step - loss: 0.3171
Epoch 98/100
232/232 [==============================] - 1s 3ms/step - loss: 0.3196
Epoch 99/100
232/232 [==============================] - 1s 3ms/step - loss: 0.3194
Epoch 100/100
232/232 [==============================] - 1s 3ms/step - loss: 0.3144

我們也可以訓練時加入更多的評價指標：（二分類指標）

具體的評價指標的使用可參考文件：

https://keras.io/api/metrics/classification_metrics/#precision-class

import tensorflow as tf
import numpy as np
#精確率評價指標
from keras.models import Sequential #匯入神經網路初始化函式
from keras.layers.core import Dense, Activation #匯入神經網路層函式、啟用函式

netfile = path + 'chapter6/net.model' #構建的神經網路模型儲存路徑

net = Sequential() #建立神經網路
net.add(Dense(input_dim=3, units=10)) #新增輸入層（3節點）到隱藏層（10節點）的連線
net.add(Activation('relu')) #隱藏層使用relu啟用函式
net.add(Dense(input_dim=10, units=1)) #新增隱藏層（10節點）到輸出層（1節點）的連線
net.add(Activation('sigmoid')) #輸出層使用sigmoid啟用函式

net.compile(loss = 'binary_crossentropy', optimizer = 'adam', 
            metrics=['accuracy',
            tf.keras.metrics.Precision(),
            tf.keras.metrics.Recall()]) #編譯模型，使用adam方法求解

net.fit(train[:,:3], train[:,3], epochs=100, batch_size=1) #訓練模型，迴圈1000次
net.save_weights(netfile) #儲存模型

部分結果：

Epoch 97/100
232/232 [==============================] - 1s 4ms/step - loss: 0.1729 - accuracy: 0.9526 - precision: 0.8902 - recall: 0.8770
Epoch 98/100
232/232 [==============================] - 1s 4ms/step - loss: 0.1740 - accuracy: 0.9526 - precision: 0.8908 - recall: 0.8774
Epoch 99/100
232/232 [==============================] - 1s 4ms/step - loss: 0.1693 - accuracy: 0.9569 - precision: 0.8910 - recall: 0.8780
Epoch 100/100
232/232 [==============================] - 1s 4ms/step - loss: 0.1750 - accuracy: 0.9526 - precision: 0.8915 - recall: 0.8783

對模型進行驗證：

scores = net.evaluate(test[:,:3], test[:,3], verbose=0)
for i in range(1,len(net.metrics_names)):
  print("%s: %.2f%%" % (net.metrics_names[i], scores[i]*100)) # 列印出驗證集準確率

accuracy: 88.14%

precision: 89.14%

recall: 87.85%

使用模型進行預測：這裡注意有兩個api，一個得到的是概率值，另一個得到的是類別：

使用predict()得到的是概率值：這裡將其用round進行四捨五入後進行展開。

predict_result = tf.round(net.predict(test[:,:3]).reshape(len(test)))
with tf.Session() as sess:
  print(predict_result.eval())

[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 0. 0. 1. 0. 0. 1. 1. 1. 1. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 1. 0. 0. 0.]

使用predict_classes()得到的是類別：

predict_result2 = net.predict_classes(test[:,:3]).reshape(len(test))
predict_result2

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0], dtype=int32)

列印一下真實的標籤：

y_true = np.array(test[:,3])

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

4、評價指標的計算方式以及混淆矩陣

我們可以直接通過sklearn api來計算評價指標：

from sklearn.metrics import classification_report
target_names = ['no','yes']
print(classification_report(test[:,3],predict_result2,target_names=target_names))

結果：

              precision    recall  f1-score   support

          no       0.98      0.88      0.93        50
         yes       0.57      0.89      0.70         9

    accuracy                           0.88        59
   macro avg       0.77      0.88      0.81        59
weighted avg       0.92      0.88      0.89        59

或者我們可以通過混淆矩陣自己來計算：首先是獲得混淆矩陣

from sklearn.metrics import confusion_matrix
cnf_matrix = confusion_matrix(test[:,3], predict_result2)
print(cnf_matrix)

#行、列的索引就是標籤id，這裡有兩類，用0,1,表示
[[44  6]
 [ 1  8]]

混淆矩陣中的四個值分別代表TP、FP、TN、PN

根據混淆矩陣，我們可以計算二分類評價指標：（標籤為1的是正樣本，因此TP是[1][1]）

TP=cnf_matrix[1][1] #預測為正的真實標籤為正
FP=cnf_matrix[0][1] #預測為正的真實標籤為負
FN=cnf_matrix[1][0] #預測為負的真實標籤為正
TN=cnf_matrix[0][0] #預測為負的真實標籤為負
accuracy=(TP+TN)/(TP+FP+FN+TN)
precision=TP/(TP+FP)
recall=TP/(TP+FN)
f1score=2 * precision * recall/(precision + recall)
print(accuracy,precision,recall,f1score)

0.8813559322033898 0.5714285714285714 0.8888888888888888 0.6956521739130435

這也上面api計算的yes的評價指標的值一致。

5、繪製混淆矩陣

import matplotlib.pyplot as plt 
%matplotlib inline
def cm_plot(y, yp, labels_name):
  
  from sklearn.metrics import confusion_matrix #匯入混淆矩陣函式

  cm = confusion_matrix(y, yp) #混淆矩陣
  
  plt.matshow(cm, cmap=plt.cm.Greens) #畫混淆矩陣圖，配色風格使用cm.Greens，更多風格請參考官網。
  plt.colorbar() #顏色標籤
  num_local = np.array(range(len(labels_name))) 
  plt.xticks(num_local, labels_name)    # 將標籤印在x軸座標上
  plt.yticks(num_local, labels_name)    # 將標籤印在y軸座標上

  for x in range(len(cm)): #資料標籤
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')

  plt.ylabel('True label') #座標軸標籤
  plt.xlabel('Predicted label') #座標軸標籤
  return plt
cm_plot(test[:,3],predict_result2,['no', 'yes']).show()

6、二分類其他評價指標（這兩個我重新在colab上執行的，因此資料和上面不一樣）

ROC曲線：

橫座標：假正率（False positive rate， FPR），預測為正但實際為負的樣本佔所有負例樣本的比例；

FPR = FP / ( FP +TN)

縱座標：真正率（True positive rate， TPR），這個其實就是召回率，預測為正且實際為正的樣本佔所有正例樣本的比例。

TPR = TP / ( TP+ FN)

AUC：就是roc曲線和橫座標圍城的面積。

如何繪製？

對於二值分類問題，例項的值往往是連續值，通過設定一個閾值，將例項分類到正類或者負類（比如大於閾值劃分為正類）。上述中我們直接利用四捨五入來區分正類和負類。因此，可以變化閾值，根據不同的閾值進行分類，根據分類結果計算得到ROC空間中相應的點，連線這些點就形成ROC curve。ROC curve經過(0,0) (1,1)，實際上(0,0)和(1,1)連線形成的ROC curve實際上代表的是一個隨機分類器。一般情況下，這個曲線都應該處於(0,0)和(1,1)連線的上方，

程式碼實現：

from sklearn.metrics import roc_curve, auc
# 為每個類別計算ROC曲線和AUC
predict_res=net.predict(test[:,:3]).reshape(len(test))
fpr,tpr,threholds=roc_curve(test[:,3],predict_res,pos_label=1)
roc_auc=auc(fpr,tpr)
plt.plot(fpr,tpr,linewidth=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

繪製Precision-Recall曲線：

from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score
precision,recall,_ = precision_recall_curve(test[:,3],predict_res,pos_label=1)
average_precision = average_precision_score(test[:,3],predict_res,pos_label=1)
plt.plot(recall, precision,label='Precision-recall curve of class (area = {1:0.2f})'.format(i, average_precision))
plt.xlabel('Recall', fontsize=16)
plt.ylabel('Precision',fontsize=16)
plt.title('Extension of Precision-Recall curve to 2-class',fontsize=16)
plt.legend(loc="upper right")#legend 是用於設定圖例的函式
plt.show()

關於二分類評價指標網上已經有很多講解的很清楚的了，就不仔細講了，還是注重實際的程式碼。本來是應該對比不同的模型的，結果搞成了講解二分類指標了。。。

參考：

《python資料分析與挖掘實戰》

https://www.cnblogs.com/liweiwei1419/p/9870034.html

https://blog.csdn.net/weixin_39541558/article/details/82708832

收藏！電力竊漏電使用者自動識別,視覺化全流程這樣操作~
2022-04-02
視覺化
變電站隔離刀閘狀態自動識別系統
2024-11-03
EOCRIFMZ-WRAUHZ含漏電電動機保護器韓施
2020-12-11
膝上型電腦發生漏電怎麼辦？膝上型電腦漏電的解決方法
2018-12-18
電動車Ai頭盔穿戴識別系統方案
2024-12-07
AI
healthd中充電型別的識別
2024-07-10
型別
電力
2024-09-01
睡眠電腦自動啟動
2020-10-13
API智慧識別平臺，API介面自動識別
2022-03-24
API
騎電動車不戴頭盔識別抓拍系統
2024-10-25
你手機電池裡的鈷，來自誰的勞動力？
2023-02-23
BIM自動識別三維地圖-Revit模型自動識別三維地圖-IFC模型自動識別三維地圖製作
2022-04-14
地圖模型
動力電池走上快車道
2021-07-12
希捷硬碟插入電腦不識別
2024-07-17
希捷硬碟
推動電力和算力不斷融合，中電聯電力先進計算學術沙龍在京召開
2022-09-21
618電商大戰，雲擴RPA助力電商自動化，推動企業數字化轉型！
2022-05-07
電腦自動休眠怎麼取消？Win7系統電腦取消電腦自動休眠的方法
2019-03-27
Win7
2020年電力電纜考試資料及電力電纜考試試卷
2020-12-09
移動電源的電感型別都有哪些
2021-10-09
型別
增勢稅票識別助手，可識別照片、掃描件、電子票、形成電子臺帳。
2020-11-05
男子竊取火車電力挖比特幣：挖幣3.2個被判3年半
2018-10-09
比特幣
天津警方破獲重大電力盜竊案沒收600臺比特幣礦機
2018-04-26
比特幣
中文電子病歷命名實體識別（CNER）研究進展
2021-01-29
全自動打工「人」！波士頓動力Atlas進廠影片火了，不斷電不下班
2024-10-31
[實戰] Android 撥打電話
2020-12-12
Android
爭議不斷的動力電池暗戰，究竟改變了什麼？
2021-07-18
形式語言與自動機：實驗二——DFA識別句子
2020-11-22
電梯電車識別 yolov5 yolov4 yolov3
2020-11-22
YOLO
電腦自動關機是什麼原因電腦自動關機怎麼解決
2021-11-11
Appium自動化測試之微信h5元素識別和程式碼實戰
2019-08-09
APPH5
自動識別是否穿著工作服
2024-10-01
電力資料：追蹤全球電力市場轉型
2024-08-20
PaddlePaddle車牌識別實戰和心得
2019-01-24
浪潮資訊助力國網浙江電力建成國內首家電網排程自動化模擬測試中心
2022-02-22
電腦自動開機是怎麼回事電腦自動開機原因及解決方法
2021-12-02
康佳釋出人臉識別電視未來電視體驗更智慧
2018-12-29
12306自動搶票及自動識別驗證碼功能（二）
2019-01-10
《Flutter實戰》開源電子書
2018-12-18
Flutter

實戰-電力竊露漏電使用者自動識別

相關文章