通過(guò)理解機(jī)器學(xué)習(xí)算法的功能，工程師可以為他們的應(yīng)用生成有效的軟傳感器。

軟傳感器（soft sensor），也稱(chēng)為虛擬傳感器，是一種可以綜合處理數(shù)百個(gè)測(cè)量數(shù)據(jù)的軟件。想要添加軟傳感器的工廠(chǎng)管理者可能會(huì)對(duì)使軟傳感器工作的機(jī)器學(xué)習(xí)的范圍感到不知所措。然而，深入了解這個(gè)主題會(huì)發(fā)現(xiàn)，其實(shí)大多數(shù)軟傳感器設(shè)計(jì)背后都離不開(kāi)幾種核心算法。

雖然這些模型的選擇、訓(xùn)練和實(shí)施很多時(shí)候是數(shù)據(jù)科學(xué)家的工作，但工廠(chǎng)管理者和其他運(yùn)營(yíng)專(zhuān)家也會(huì)希望熟悉它們的功能。

理解軟傳感器

軟傳感器是在軟件環(huán)境中創(chuàng)建的，但可以提供與現(xiàn)實(shí)世界中的對(duì)應(yīng)物相同的好處。在某些情況下，軟傳感器可能比真實(shí)的傳感器更受歡迎。

因此，運(yùn)營(yíng)專(zhuān)家和數(shù)據(jù)科學(xué)家應(yīng)該合作設(shè)計(jì)軟傳感器，原因有很多。其中一個(gè)原因是對(duì)于特定結(jié)果所需的關(guān)鍵參數(shù)進(jìn)行實(shí)時(shí)或近實(shí)時(shí)測(cè)量的渴望。這些測(cè)量對(duì)于提高整體性能至關(guān)重要。

軟傳感器的其他用例包括：

• 工廠(chǎng)人員短缺。一些過(guò)程需要實(shí)驗(yàn)室人員對(duì)特定物理或化學(xué)屬性的參數(shù)進(jìn)行取樣或分析。這些可能包括粘度、分子量和組成。當(dāng)沒(méi)有足夠的人員進(jìn)行測(cè)量時(shí)，可以使用軟傳感器來(lái)估計(jì)這些值。
• 冗余傳感器。在惡劣環(huán)境中，傳感器被污染可能時(shí)有發(fā)生。軟傳感器可以提供數(shù)字傳感器的讀數(shù)，直到數(shù)字傳感器可以被替換，以保持流程的持續(xù)進(jìn)行。
• 額外的傳感器。有時(shí)可能需要更多的傳感器，或者某個(gè)過(guò)程缺乏自己的傳感器。在這些情況下，軟傳感器可以模仿一個(gè)擁有所有正確傳感器的相同資產(chǎn)。

機(jī)器學(xué)習(xí)模型的主要類(lèi)型

機(jī)器學(xué)習(xí)練習(xí)遵循一個(gè)循環(huán)模式。首先，數(shù)據(jù)被準(zhǔn)備和清洗。接下來(lái)，數(shù)據(jù)科學(xué)家將選擇一個(gè)算法作為模型的基礎(chǔ)。然后，數(shù)據(jù)科學(xué)家將開(kāi)始使用未經(jīng)處理或預(yù)處理的時(shí)間序列和上下文數(shù)據(jù)訓(xùn)練模型。最后，模型被測(cè)試和部署。然后過(guò)程再次開(kāi)始，以改進(jìn)模型。

一般來(lái)說(shuō)，有兩種主要類(lèi)型的模型可供選擇：

• 監(jiān)督模型，需要標(biāo)記的數(shù)據(jù)集與其它變量進(jìn)行比較。
• 無(wú)監(jiān)督模型，主要用于描述多個(gè)變量之間的關(guān)系。

在這些模型中，監(jiān)督模型是開(kāi)發(fā)軟傳感器或創(chuàng)建預(yù)測(cè)標(biāo)簽的更好選擇。盡管有數(shù)百種監(jiān)督機(jī)器學(xué)習(xí)模型，但只有少數(shù)——來(lái)自被稱(chēng)為回歸算法的類(lèi)別——對(duì)于創(chuàng)建軟傳感器是有用的。以下是每種模型的描述：

線(xiàn)性回歸

這是創(chuàng)建軟傳感器最有用和最簡(jiǎn)單的方法之一。然而，某些過(guò)程，如測(cè)量聚合物的粘度，對(duì)于線(xiàn)性回歸來(lái)說(shuō)太復(fù)雜了。這個(gè)算法生成一個(gè)函數(shù)，預(yù)測(cè)目標(biāo)變量的值。它是作為一組一個(gè)或多個(gè)變量的線(xiàn)性組合的函數(shù)。當(dāng)使用一個(gè)變量時(shí)，它被稱(chēng)為單變量線(xiàn)性回歸。多個(gè)變量賦予它多元線(xiàn)性回歸的名稱(chēng)。使用這個(gè)模型的好處在于其清晰性。很容易確定哪些變量對(duì)目標(biāo)的影響最大。這被稱(chēng)為特征重要性。

決策樹(shù)

理論上，決策樹(shù)可以擁有它們需要的任意多的規(guī)則和分支來(lái)適應(yīng)數(shù)據(jù)。它們使用這些規(guī)則來(lái)自獨(dú)立變量，稱(chēng)為一組特征。結(jié)果是目標(biāo)值的分段常量估計(jì)。因?yàn)樗鼈兛梢杂泻芏嘁?guī)則和分支，所以它們可以非常靈活。

另一方面，它們也存在過(guò)擬合數(shù)據(jù)的風(fēng)險(xiǎn)。過(guò)擬合發(fā)生在模型訓(xùn)練時(shí)間過(guò)長(zhǎng)時(shí)。這使得模型開(kāi)始適應(yīng)數(shù)據(jù)集中的噪聲，并開(kāi)始將其視為正常。欠擬合數(shù)據(jù)也可能發(fā)生。在這種情況下，算法訓(xùn)練不夠長(zhǎng)，因此沒(méi)有足夠的數(shù)據(jù)來(lái)確定獨(dú)立變量可能如何與目標(biāo)變量相關(guān)，或者它們可能對(duì)目標(biāo)變量有什么影響。

過(guò)擬合和欠擬合數(shù)據(jù)都會(huì)導(dǎo)致模型失敗。模型再也不能處理新數(shù)據(jù)，也不能用于軟傳感器。過(guò)擬合和欠擬合數(shù)據(jù)的概念不是決策樹(shù)模型獨(dú)有的。

隨機(jī)森林

這本質(zhì)上是一個(gè)模型中多個(gè)決策樹(shù)模型的組合。它提供了更多的靈活性，允許更多的特征，并且給出了更強(qiáng)的預(yù)測(cè)能力。然而，它也帶來(lái)了過(guò)擬合數(shù)據(jù)的高風(fēng)險(xiǎn)。

梯度提升

在機(jī)器學(xué)習(xí)中，梯度提升通常被稱(chēng)為集成模型。像隨機(jī)森林一樣，梯度提升結(jié)合了多個(gè)決策樹(shù)。但它的不同之處在于，它優(yōu)化每棵樹(shù)以最小化最后計(jì)算的損失函數(shù)。這些模型可以非常有效，但隨著時(shí)間的推移，它們變得更難以解釋。

神經(jīng)網(wǎng)絡(luò)

所謂的深度學(xué)習(xí)是一個(gè)神經(jīng)網(wǎng)絡(luò)回歸模型的概念。這個(gè)模型接受輸入變量，并在應(yīng)用于回歸問(wèn)題時(shí)，為目標(biāo)變量生成一個(gè)值。最基本的神經(jīng)網(wǎng)絡(luò)是多層感知器。在這些模型中，只使用單一的神經(jīng)元排列。更常見(jiàn)的是，神經(jīng)網(wǎng)絡(luò)將具有一個(gè)輸入層、一個(gè)或多個(gè)隱藏層（每個(gè)都有許多神經(jīng)元）和一個(gè)輸出層來(lái)獲取值。

隱藏層中每個(gè)神經(jīng)元內(nèi)的加權(quán)輸入值被相加，并通過(guò)激活函數(shù)（如Sigmoid函數(shù)）傳遞。這個(gè)函數(shù)使模型非線(xiàn)性。一旦函數(shù)通過(guò)模型，它就到達(dá)包含單個(gè)神經(jīng)元的輸出層。在訓(xùn)練模型時(shí)，確定最適合特征和目標(biāo)值的權(quán)重和偏差。

協(xié)作設(shè)計(jì)

對(duì)于那些新手來(lái)說(shuō)，一個(gè)常見(jiàn)的誤解是會(huì)有一個(gè)正確的模型適合所有特定的需求。事實(shí)并非如此。選擇一個(gè)模型而不是另一個(gè)，其實(shí)是一個(gè)復(fù)雜的決策，部分基于數(shù)據(jù)科學(xué)家的經(jīng)驗(yàn)。

此外，這些監(jiān)督回歸模型不會(huì)每次都產(chǎn)生相同的結(jié)果。因此，不存在“最佳”模型，但有些模型可能更適合某些情況。

任何機(jī)器學(xué)習(xí)練習(xí)中的數(shù)據(jù)科學(xué)家和運(yùn)營(yíng)專(zhuān)家之間的合作都始于對(duì)涉及的參數(shù)、目標(biāo)使用、開(kāi)發(fā)和部署方法的相互理解。