С чего начать систему контроля отклонения от нормы?

Начните с:

1. Предобработка данных - нормализация входных данных, деление данных на обучающую и тестовую выборки, удаление выбросов и прочее, чтобы улучшить качество данных

2. Определение модели - можете использовать регрессионную модель, линейную регрессию, нейронную сеть или другой подход, который лучше подходит для вашей задачи. Можно использовать линейную регрессию, чтобы исследовать зависимость между переменными

3. Оценка модели. После обучения модели, вы должны проверить ее точность, используя метрики, например, среднеквадратическое отклонение, обратное распределение хи-квадрат, точность и т.д.

4. Оценка качества модели - используя тестовые данные, вы можете оценить точность модели и ее способность предсказывать значения момента на валу.

5. Оценка качества модели. После обучения модели, важно оценить ее качество. Для этого можно использовать техники кросс-валидации, например, k-fold cross-validation. Это позволяет оценить насколько хорошо модель обобщается на новые данные.

6. Регуляризация. Чтобы избежать переобучения, можно использовать регуляризацию. Это включает в себя добавление штрафа к функции потерь, который затрудняет модель в получении слишком сложных весов. Популярные виды регуляризации - L1 и L2 регуляризация.

7. Тюнинг гиперпараметров. Гиперпараметры - это параметры, которые не могут быть определены во время обучения модели, но влияют на ее производительность. Такие как, например, размер батча, количество эпох, размер сети и т.д.

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

data = [
    (5000,5000,5000,5000,4800,4800,4800,5000,5000), # drive speed
    (9.12, 9.18, 9.11, 9.05, 8.88, 8.93, 8.89, 9.10, 9.12) # drive torque
    ]
# convert the data into numpy arrays
drive_speed = np.array(data[0])
drive_torque = np.array(data[1])

# normalize the data
drive_speed = (drive_speed - np.mean(drive_speed)) / np.std(drive_speed)
drive_torque = (drive_torque - np.mean(drive_torque)) / np.std(drive_torque)

# create a dataset object from the numpy arrays
dataset = tf.data.Dataset.from_tensor_slices((drive_speed, drive_torque))

# create a model
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=1, input_shape=[1]))

# compile the model
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001), loss='mean_squared_error')

# train the model
history = model.fit(drive_speed, drive_torque, epochs=1000)

# plot the loss
plt.plot(history.history['loss'])
plt.show()

Или другой подход c использованием линейной регрессии

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# Преобразуем данные в numpy массивы
speed = np.array(data[0]).reshape(-1, 1)
torque = np.array(data[1]).reshape(-1, 1)

# Разбиваем данные на тестовую и обучающую выборки
speed_train, speed_test, torque_train, torque_test = train_test_split(speed, torque, test_size=0.2)

# Обучаем модель
reg = LinearRegression().fit(speed_train, torque_train)

# Делаем предсказание на тестовых данных
torque_pred = reg.predict(speed_test)

# Оцениваем качество модели
score = reg.score(speed_test, torque_test)
print("R^2 score:", score)

# Визуализируем результаты
plt.scatter(speed_test, torque_test, color='black')
plt.plot(speed_test, torque_pred, color='blue', linewidth=3)
plt.xlabel('Speed')
plt.ylabel('Torque')
plt.title('Linear Regression Model')
plt.show()