一种用于工业 4.0 应用预测优化的新型混合特征重要性与特征交互检测框架
机器学习
2024-03-06 v1 人工智能
摘要
先进的机器学习算法正日益被用于在工业 4.0 中提供基于数据的预测和决策支持。然而，现有模型实现的预测精度不足以保证在实际应用中的落地实施。这是因为现实世界数据集中并非所有特征都与正在进行的预测分析直接相关。因此，精心选择并纳入特定特征有可能对结果产生实质性的积极影响。为解决这一研究空白，本文提出了一种新型混合框架，该框架结合了特征重要性检测器——局部可解释模型无关解释（LIME）与特征交互检测器——神经交互检测（NID），以提高预测精度。通过应用所提出的框架，可以消除不必要的特征，并对交互进行编码，从而生成更有利于预测的数据集。随后，将该模型部署用于优化铸造加工中的电力消耗预测。实验结果显示，分数最高提升了 9.56%，均方根误差最高降低了 24.05%。
引用
@article{arxiv.2403.02368,
title = {A Novel Hybrid Feature Importance and Feature Interaction Detection Framework for Predictive Optimization in Industry 4.0 Applications},
author = {Zhipeng Ma and Bo Nørregaard Jørgensen and Zheng Grace Ma},
journal= {arXiv preprint arXiv:2403.02368},
year = {2024}
}