Optimization 预测性维护-如何将目标函数贝叶斯优化和梯度下降逻辑回归结合使用？
我试图重现图中所示的问题 这是一个如何为硬盘故障建立预防性维护机器学习模型的示例。我真正不懂的部分是如何将贝叶斯优化与自定义目标函数和Logistic回归与梯度下降结合使用。需要优化的超参数是什么？问题的流程是什么 如前一篇文章所述，使用了贝叶斯优化[6] 以查找最佳超参数值。要实现的目标函数 在hyperparameter调优中优化的是以下测量分数 在验证集上： S=α*fnr+（1–α）*fpr 其中fpr和fnr是假阳性率和假阴性率 在验证集上获得。我们的目标是保持假阳性 速率低，因此我们使用alpha=0.2。因为验证集是 高度不平衡，我们发现标准分数像精度， F1成绩等…效果不好。事实上，使用这个自定义分数是非常困难的 对于模型获得良好的性能至关重要 请注意，我们仅在运行Bayesian时使用上述分数 优化。为了训练logistic回归模型，我们使用梯度 使用通常的脊损失函数下降 功能选择之前的我的数据帧：Optimization 预测性维护-如何将目标函数贝叶斯优化和梯度下降逻辑回归结合使用？,optimization,machine-learning,logistic-regression,gradient-descent,hyperparameters,Optimization,Machine Learning,Logistic Regression,Gradient Descent,Hyperparameters,我试图重现图中所示的问题 这是一个如何为硬盘故障建立预防性维护机器学习模型的示例。我真正不懂的部分是如何将贝叶斯优化与自定义目标函数和Logistic回归与梯度下降结合使用。需要优化的超参数是什么？问题的流程是什么 如前一篇文章所述，使用了贝叶斯优化[6] 以查找最佳超参数值。要实现的目标函数 在hyperparameter调优中优化的是以下测量分数 在验证集上： S=α*fnr+（1–α）*fpr 其中fpr和fnr是假阳性率和假阴性率 在验证集上获得。我们的目标是保持假阳性 速率低，因此我们
index date serial_number model capacity_bytes failure Read Error Rate Reallocated Sectors Count Power-On Hours (POH) Temperature Current Pending Sector Count age yesterday_temperature yesterday_age yesterday_reallocated_sectors_count yesterday_read_error_rate yesterday_current_pending_sector_count yesterday_power_on_hours tomorrow_failure
0 77947 2013-04-11 MJ0331YNG69A0A Hitachi HDS5C3030ALA630 3000592982016 0 0 0 4909 29 0 36348284.0 29.0 20799895.0 0.0 0.0 0.0 4885.0 0.0
1 79327 2013-04-11 MJ1311YNG7EWXA Hitachi HDS5C3030ALA630 3000592982016 0 0 0 8831 24 0 36829839.0 24.0 21280074.0 0.0 0.0 0.0 8807.0 0.0
2 79592 2013-04-11 MJ1311YNG2ZD9A Hitachi HDS5C3030ALA630 3000592982016 0 0 0 13732 26 0 36924206.0 26.0 21374176.0 0.0 0.0 0.0 13708.0 0.0
3 80715 2013-04-11 MJ1311YNG2ZDBA Hitachi HDS5C3030ALA630 3000592982016 0 0 0 12745 27 0 37313742.0 27.0 21762591.0 0.0 0.0 0.0 12721.0 0.0
4 79958 2013-04-11 MJ1323YNG1EK0C Hitachi HDS5C3030ALA630 3000592982016 0 524289 0 13922 27 0 37050016.0 27.0 21499620.0 0.0 0.0 0.0 13898.0 0.0
贝叶斯优化独立于逻辑回归内部。事实上，它并不关心你如何精确地计算目标函数-