【工业互联网】工业互联网产业联盟-工业大数据分析指南-2019.2

重点报告 11 2024-10-10 0 worker

报告编号：103309
报告名称：【工业互联网】工业互联网产业联盟-工业大数据分析指南-2019.2
报告来源：互联网用户上传
关键词：重点报告
报告页数：78 页
预览页数：6
报告格式：pdf
上传时间：2024-08-04
简介摘要: (原创分析) 数据进行变换，以提取新的特征。常见的函数变换包括幂函数、对数函数、三角函数等。 6.3.3 特征组合特征组合是指将多个特征通过某种方式（如乘法、加法等）组合起来，以形成新的特征。这种组合有助于捕获多个特征之间的交互作用，并可能产生更有意义的特征。 6.3.4 特征筛选在特征工程中，特征筛选是一个重要的步骤，旨在去除对模型贡献不大或冗余的特征，以简化模型并提高模型性能。常用的特征筛选方法包括基于统计的方法、基于模型的方法、基于信息论的方法等。 6.3.5 特征的迭代特征的迭代是指在模型训练过程中，根据模型的性能反馈，对特征进行持续优化和调整的过程。通过迭代，可以逐步改善模型的性能，提高模型的准确性和可靠性。 6.4 工业数据分析的算法介绍工业数据分析的算法包括传统的统计分析类算法、通用的机器学习类算法、针对旋转设备的振动分析类算法、针对时序数据的时间序列类算法、以及针对非结构化数据的文本挖掘类算法等。这些算法在不同的场景下具有不同的应用优势，需要根据具体的业务需求和数据特点来选择合适的算法。总结：工业大数据分析是智能制造的核心，利用云计算、大数据、物联网、人工智能等技术，实现工业生产方式的变革。工业大数据分析涉及资源优化、数据建模、知识转化等多个方面，需深入理解业务需求和领域知识，并借助CRISP-DM模型等标准流程，实现数据的收集、整合、预处理、建模、验证与评估，以及模型的部署和持续优化。通过特征工程和算法选择，提取有价值的信息，支持企业业务创新和转型升级。