《表2 特征重要性排序:XGBoost算法在风机主轴承故障预测中的应用》
XGBoost算法采用CART模型,对数据类型具有较强的适应能力,可以处理离散、连续等多种类型的数据,因此无需对SCADA数据进行标准化、归一化、特征离散化等处理。对于缺失值,由于XGBoost算法自身能够处理数据缺失的情况,因此也不需要对缺失数据进行任何处理。但针对错误数据,如不符合物理定律或自然常识的数据需要进行人工排查并修正或删除。运用XGBoost算法的特征选择工具可以筛选出对分类和预测更有效的特征,挖掘特征与结果之间的关联关系,主要特征依据相关度排序如表2所示。
图表编号 | XD0030198700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.10 |
作者 | 王桂兰、赵洪山、米增强 |
绘制单位 | 华北电力大学电子与电气工程学院、华北电力大学电子与电气工程学院、华北电力大学电子与电气工程学院 |
更多格式 | 高清、无水印(增值服务) |