電気の盗難と漏れを特定する

データセット

手順

1. Machine Learning Designerページに移動します。

   1. PAIコンソールにログインします。

   2. 左側のナビゲーションウィンドウで、[ワークスペース] をクリックします。 [ワークスペース] ページで、管理するワークスペースの名前をクリックします。

   3. ワークスペースページの左側のナビゲーションウィンドウで、モデル开発とトレーニング > ビジュアルモデリング (デザイナー)機械学習デザイナーページに移動します。

2. パイプラインを作成します。

   1. Visualized Modeling (Designer) ページで、プリセットテンプレートタブをクリックします。

   2. [プリセットテンプレート] タブで、パワー盗難の識別テンプレートをクリックし、作成.

   3. [パイプラインの作成] ダイアログボックスで、パラメーターを設定します。 デフォルト値を使用できます。

      Pipeline Data Pathパラメーターに指定された値は、パイプラインのランタイム中に生成された一時データおよびモデルのObject Storage Service (OSS) バケットパスです。

   4. [OK] をクリックします。

      パイプラインの作成には約10秒かかります。

   5. [パイプライン] タブで、パワー盗難の識別パイプラインを入力します。

   6. 次の図に示すように、キャンバス上のパイプラインのコンポーネントを表示します。 システムは、プリセットテンプレートに基づいてパイプラインを自動的に作成します。

      

      セクション	説明

      セクション	説明
      ①	このセクションに表示されるコンポーネントは、統計分析を実行します。 Correcoefコンポーネントは、ユーザーが電気を盗むか、漏電に関与しているかを判断する際の各機能の影響を分析します。 Feature Meta Runnerコンポーネントは、フィーチャ列とラベル列のデータの分布を視覚化します。 このパイプラインでは、feature columnsはpower_usage_decline_level、line_loss_rate、およびwarning_numです。 ラベル列は _theftです。
      ②	Splitコンポーネントは、データセットをトレーニングデータセットと予測データセットに8:2の比率で分割します。
      ③	ロジスティック回帰コンポーネントは、トレーニングデータセットに対して回帰モデリングを実行するために使用されます。 このパイプラインのトレーニングデータセットでは、feature列はpower_usage_decline_level、line_loss_rate、warning_numです。 ラベルの列は_theftです。
      ④	予測コンポーネントは、モデルを予測データセットに適用した結果を予測します。 Evaluateコンポーネントは、予測精度を評価します。

3. パイプラインを実行し、結果を表示します。

   1. キャンバスの上部にある実行アイコンをクリックして、パイプラインを実行します。

   2. パイプラインを実行した後、コレリーフキャンバス上のコンポーネントを選択し、ビジュアル分析.

   3. では、Corrcoefセクションでは、ユーザーが電気を盗むか、電気漏れに関与しているかを判断する際の各機能の影響を表示します。

      power_usage_deline_level、line_loss_rate、およびwarning_numの各機能は、is_theftと明確な相関関係がありません。 これは、複数の特徴に基づいてユーザが電気を盗むか漏電に関与しているかを判定することを意味する。

   4. 右クリック評価キャンバスをクリックしてビジュアル分析.

   5. [評価レポート] ダイアログボックスで、[グラフ] タブをクリックして、モデル評価インデックスを表示します。

      1に近いAUC値は、モデルのより高い予測精度を示す。 前の図では、AUC値は0.8より大きい。 これは、モデルの予測精度が高いことを示している。