随机生存森林模型在预测性维护中的可调性研究
机器学习
2025-11-03 v1 机器学习
摘要
本文研究了随机生存森林(RSF)模型在预测性维护中的可调性,其中准确的失效时间估计至关重要。尽管 RSF 因其灵活性以及处理删失数据的能力而被广泛使用,但其性能对超参数配置较为敏感。然而,目前对 RSF 可调性的系统评估仍然有限,尤其是在预测性维护场景下。本文引入了一个三层框架来量化可调性:(1) 一个模型层面的指标,衡量调优带来的整体性能增益;(2) 一个超参数层面的指标,评估各超参数的单独贡献;(3) 最优调优范围的识别。这些指标在多个数据集上使用生存分析特有的准则进行评估:用于区分度的 C-index 和用于校准度的 Brier 分数。在模拟航空发动机退化的四个 CMAPSS 数据集子集上的实验表明,超参数调优能够持续提升模型性能。平均而言,C-index 提升了 0.0547,Brier 分数下降了 0.0199。这些增益在所有子集上均保持一致。此外,ntree 和 mtry 表现出最高的平均可调性,而 nodesize 在 10 到 30 的范围内提供了稳定的改进。相比之下,splitrule 平均表现出负的可调性,表明不当的调优可能降低模型性能。我们的研究结果强调了超参数调优在生存模型中的实际重要性,并为在现实预测性维护应用中优化 RSF 提供了可操作的见解。
引用
@article{arxiv.2504.14744,
title = {On the Tunability of Random Survival Forests Model for Predictive Maintenance},
author = {Yigitcan Yardımcı and Mustafa Cavus},
journal= {arXiv preprint arXiv:2504.14744},
year = {2025}
}