5 правил как выбрать автомат не по току и мощности
Многие из потребителей далекие от электричества до сих пор думают, что модульный автомат в их электрощитке, является обычным выключателем. Что-то вроде рубильника.
Однако это далеко не так. И при выборе этого аппарата есть свои нюансы, которые напрямую влияют на его надежность и долговечность.
Однако именно они и отличают хороший, качественный автоматический выключатель для домашней электропроводки от посредственных.
Быстродействие
От того, как быстро включается и замыкает свои контакты выключатель, во многом зависит его срок службы. Однако можно ли в домашних условиях определить, насколько соответствует этому параметру ваш аппарат, не разбирая сам корпус и не прибегая к специализированным лабораторным испытаниям?
Конечно можно.
Ее обычно применяют для прозвонки и определения целостности цепи. Хотя знающие люди используют этот полезный девайс еще многими способами. Какими именно, читайте в отдельной статье.
Жалом отвертки прикасаетесь к верхнему контакту, прижимая металлический пятачок на ручке сверху, а пальцем другой руки дотрагиваетесь до нижнего контакта выключателя.
После чего, медленно начинаете включать автомат, взводя язычок.
Контакт должен появиться (загорится светодиод в отвертке) только в самый последний момент, когда аппарат уже щелкнул.
Если ту же самую манипуляцию проделать с другим выключателем, то лампочка загорается при достижении середины хода рычага включения.
Получается, что аппарат еще не взведен, а контакты уже замкнуты. Вот к чему это иногда приводит при большой нагрузке (вид контактов изнутри автомата):
Это в конечном итоге сказывается на быстром износе и выгорании контактов. В то время как механизм быстрого включения, увеличивает срок службы изделия почти на 30%.
Корпус автомата
При выборе модульного автомата обращайте внимание на то, как собран сам корпус. Он всегда представляет из себя неразборную конструкцию на заклепках.
Так вот, при покупке не лишне будет пересчитать количество таких заклепок. На обычных выключателях, их как правило не менее 5шт.
Хотя часто попадается даже с четырьмя.
Однако есть модели (например от Schneider Electric, ABB и другие) где заклепок шесть!
Что дает эта дополнительная заклепка? При срабатывании автоматического выключателя от короткого замыкания, в корпусе образуется дуга.
Это все равно что миниатюрный взрыв, который пытается разорвать аппарат изнутри. Так вот, дополнительная заклепка предотвращает возможность любого изменения геометрии аппарата.
На 4-х или 5-ти клепочных, выключатель может и не разорвет, но от нескольких КЗ, геометрия и расположение внутренних компонентов изменятся и они сместятся на пару миллиметров, относительно своего нормального расположения. Это постепенно приведет к тому, что аппарат будет отрабатывать плохо и в один прекрасный момент заклинит.
По факту, все механизмы внутри автоматического выключателя, как бы «висят» на корпусе. Это все равно что рама автомобиля.
Поэтому любое изменение геометрии приводит к тому, что аппарат перестает нормально работать. Например, начинает жужать или гудеть.
Что еще касаемо корпуса, то иногда не помешает обратить внимание и сравнить их размеры. Некоторые модели разных марок и производителей, имея одинаковый номинальный ток, немного отличаются по габаритам.
У тех, где корпус больше на несколько миллиметров, соответственно и охлаждение будет лучше. Особенно это важно при плотном расположении автоматов в одном ряду.
Правильные клеммы
Если посмотреть на отдельные марки автоматов, то можно увидеть, что при не полностью открытой клемме, провод случайно может попасть в заклеммное пространство.
Когда вы подключаете провода в щитке на высоте, вы как правило не видите верхнюю клемму и жила туда вставляется, что называется на ощупь.
Электрик затянув клемму с неправильно вставленным проводом, ничего не почувствует. Вроде бы усилие есть, значит затяжка удалась.
Некоторые даже проверяют этот момент затяжки по шкале динамометрических отверток.
На самом же деле провод закреплен не будет.
Она может быть как металлической, так и пластиковой.
Еще одна рекомендация, но не обязательная функция касающаяся клемм — дополнительный разъем под гребенчатую шинку.
Когда в электрощитке собирается ряд автоматов, то подключаются они между собой, именно через такую шину. Это очень удобно и надежно.
Но проблема возникает, если вам в дальнейшем нужно сделать какую-то отпайку и вывести с этой клеммы отдельный провод.
Плотность контакта меняется, он поджимается не полностью и постепенно выгорает. В итоге автомат приходится менять.
Так вот, в некоторых моделях (в основном у ABB), под это дело имеется дополнительный разъем, предназначенный именно для гребенчатой шины.
Основной контакт при этом остается свободным и в него можно спокойно подключать жилу кабеля, не нарушая надежности соединения.
Также смотрите на наличие насечек на клеммах. Желательно, чтобы они не были гладкими.
Этими насечками материал клеммы впивается в медную жилу, тем самым способствуя лучшему переходному сопротивлению.
Еще смотрите на то, чтобы пластик возле винта при затяжке не расходился. Проверить это можно прямо в магазине с помощью отверток.
Вставляете жало одной отвертки в клемму, а другой с усилием затягиваете контакт. Далее смотрите как себя ведут две половинки корпуса возле зажима.
Если поползли в стороны и появилась довольно различимая щель, это повод задуматься над такой покупкой.
Сигнальные элементы
У обычного автоматического выключателя существует всего два положения:
У некоторых моделей присутствует третье – аварийное отключение.
Язычок автомата заняв среднее промежуточное положение, как бы сам демонстрирует каким образом он был отключен. То есть, отключился он аварийно из-за короткого замыкания или перегрузки, либо был отключен вручную каким-то человеком.
В отдельных марках модульных моделей, это можно увидеть и определить по глазку, который окрашивается в тот или иной цвет, в зависимости от срабатывания.
Эта функция очень удобна, когда вы или кто-то другой, обслуживает большое количество щитовых не в одиночку, а с напарниками. Для щитка в квартире, данную опцию можно считать излишней.
А вот для РЩ-0,4кв в подъезде, она не помешает.
Еще один цветной “глазок”, который может присутствовать в автомате, расположен в подвижной части отключающего рычажка.
Заметьте, что это не просто надпись ON или OFF, которая показывает включен аппарат или выключен.
Это цветной сигнальный элемент демонстрирующий реальное положение контактов. Замкнуты они или разомкнуты.Если автомат выключен и его “язычок” находится внизу, то полосочка зеленая. Это говорит о том, что контакты действительно разорвались.
В том случае, если сигнальный элемент не поменял свой цвет, значит контакты на самом деле не разошлись (прикипели, сварились и т.д.).
Такое хоть и редко, но тоже встречается.
Характеристика срабатывания
Коротко затронем такой момент, как характеристики срабатывания автоматического выключателя. Они указываются на корпусе автомата перед его номинальным током.
Чаще всего там может быть написано:
- B
- C
- D
Что это означает? Данная характеристика показывает, насколько чувствителен аппарат к току короткого замыкания.
Если вы подберете этот параметр не верно, то ток КЗ будет отключать не электромагнитный расцепитель в течение долей секунды, а тепловая защита, спустя длительный промежуток времени (несколько секунд).
А за это время ваше электрооборудование и проводка просто сгорят.
Автомат с характеристикой “B” срабатывает при превышении номинального тока в 3-5 раз.
Такие автоматы применяются с малыми токами КЗ. Например, в протяженных линиях освещения.
Модульный выключатель с характеристикой “С” сработает при превышении номинального тока в 5-10 раз.
Для защиты большинства бытовых электросетей устанавливают автоматы именно с характеристикой “С”.
Автоматические выключатели с характеристикой “D” не рекомендуется ставить в квартирах. Все таки 10-ти или 20-ти кратные токи срабатывания это серьезно.
Они в первую очередь предназначены для защиты асинхронных электродвигателей с большими пусковыми токами. В бытовых сетях их иногда можно применять в частном секторе, у кого есть мощные насосы, пилорамы и т.д.
По поводу отключаемых токов КЗ можно сказать еще следующее. Если хотите идти в ногу с последними изменениями в области энергетики, то берите автоматы рассчитанные на токи в 6кА.
В Западных странах например, все изделия меньшей величины уже давно запрещены.
У нас пока еще нет. И в легкой доступности можно найти относительно недорогие автоматы с отключающими токами КЗ на 4,0-4,5кА и даже на 3кА.
Если у вас проводка в доме и в подъезде старая и малого сечения, кроме того вы проживаете на последних этажах многоэтажки, далеко от трансформаторной будки, то такие аппараты вам подойдут.
Но если у вас электрика новая, сечения проводов в стояках достаточные, просадка напряжения не наблюдается, да и проживаете вы на 1-м или 2-м этаже, то лучше не рисковать и купить автоматы с током КЗ на 6кА. Спокойнее будет спать.
В то же время в сельской местности, или на дачах, где подключение жилых домов происходит от старых ВЛ-0,4кв, протяженностью в несколько сотен метров, целесообразно поставить выключатели на 4,5кА.
Но есть и исключения. Например, когда это не ВЛ-0,4кв, а ВЛИ-0,4кв выполненная изолированным проводом СИП сечение 50мм2 и более.
И последний немаловажный момент. При выборе и покупке не перепутайте автоматический выключатель с выключателем нагрузки. Это совершенно разные аппараты.
На нем тоже может быть указан номинальный ток и он будет упакован в такой же корпус. Но никакой функциональности в плане защиты выключатель нагрузки не несет.
Монтировать его рекомендуется на вводе в главный распределительный щиток, а не на отходящих линиях. Отличить один от другого можно по надписям.
Если на автоматах пишется помимо номинального тока, его характеристика срабатывания – С25 или В25, то на выключателе нагрузки никаких C,B,D вы не увидите.
Там на корпусе обычно просто указывается ВН25 (выключатель нагрузки на 25А) или просто номинал тока.
Статьи по теме
Как подобрать автоматический выключательВ статье пойдет речь о том, что такое автоматический выключатель, как выбрать номинал и бренд этого защитного устройства. Перед описанием, как сделать подбор автоматических выключателей, напомним немного общей информации и терминологии касательно самого автоматического выключателя.Автоматический выключатель – от чего защищает?Автоматический выключатель – это электрический прибор, который предназначен для защиты питающего провода (кабеля) от тока короткого замыкания и тепловой перегрузки.Короткое замыкание (КЗ) – это соединение двух точек электрической цепи с различными значениями потенциала, не предусмотренное конструкцией устройства и нарушающее его нормальную работу. Другими, более понятными, словами для обычного пользователя, объясним: короткое замыкание – это соединение двух разных токонесущих проводов, например, фазного проводника и нейтрального, или же двух разных фазных. Короткое замыкание это аварийное состояние, которое может привести к локальному возгоранию проводки и дальнейшему пожару. Тепловая перегрузка – возникает при длительном протекании тока превышающего номинальный, как следствие – расплавленная изоляция проводника, короткое замыкание. Например, если на линии проложен медный кабель с сечением жил 1,5 мм², то по нормам, ток протекающий по нему не должен превышать показаний более 16 Ампер (3500 Ватт). Любое превышение тока на этой линии приводит к тепловой перегрузке, поэтому если вы сознательно решили перегрузить электролинию, например, захотели погреться мощным обогревателем, то советуем учесть все вышенаписанное. Итак, а теперь по порядку: как сделать правильный подбор автоматических выключателей?Необходим автомат защиты, а как выбрать автоматический выключатель по мощности тока и какого производителя?Ниже опишем главные параметры и особенности которые и будут влиять на выбор автоматических выключателей. Чтобы правильно выбрать автоматический выключатель нам необходимо определить какую линию он будет защищать, а именно тип провода и сечение проводящей жилы этого провода. Тут все просто – чем больше сечение проводника, тем больше нагрузку он сможет выдержать. | |
Сечение проводника можно узнать несколькими способами: математическим с вычислением и визуальным методами. Не будем заострять внимание на математическом процессе измерения жилы провода штангенциркулем и вычисление сечения по формуле, так как даже опытные специалисты не всегда могут получить корректные результаты таким образом, а сразу перейдем к простому методу – визуальному. Все упрощается, когда у вас в квартире или доме новая проводка, достаточно прочитать на свежей изоляции кабеля его сечение и через несколько мгновений (используя нашу таблицу, см. ниже) вы уже знаете, наверняка, какой номинальный ток автоматического выключателя будет защищать этот провод. | |
Сложнее в случае, когда проводка старая и большая ее часть замурована в стене, а для визуального определения нам доступен лишь торчащий кусочек кабеля в несколько сантиметров. Действительно, как в этом случае узнать сечение проводника и как к нему выбрать автоматический выключатель? Здесь от вас потребуется визуально сравнить жилы кабеля. Например, рядом приставить уже идентифицированную жилу другого кабеля и таким образом, вычислить примерное сечение. Мы понимаем, что такое определение сечения является очень грубым поэтому для страховки, расчет автоматического выключателя к таким проводам необходимо делать с запасом, то есть выбрать автоматический выключатель меньшего максимально допустимого номинала. Обратите внимание, что у нас в статье речь идет о медных кабелях и в таблице приведены данные именно для медных проводников. На всякий случай заметим, что алюминиевые провода, в сравнении с медными, способны к меньшим нагрузкам при равном сечении. | |
Какой автоматический выключатель выбрать по номиналу?Таблица для выбора автоматического выключателя.Выбор автоматического выключателя в зависимости от тока нагрузки, сечения провода/кабеля и способа прокладки. ГОСТ Р 50345-2010 (МЭК 60364-5-52).
| |
| |
Таблица для выбора автоматического выключателя по нагрузке. Используйте данные из таблицы, они помогут вам рассчитать автоматический выключатель.
| |
| |
Как подобрать вводной автоматический выключательВводной автоматический выключатель – это автомат защиты, находящийся в цепи самый первый по схеме и подбирается такой автомат по мощности и току исходя из сечения вводного кабеля, то есть вводной автомат защищает вводной кабель. Соответственно необходимо учитывать сечение именно вводного кабеля.Какой производитель автоматического выключателя выбратьВыбор автомата защиты это ответственное занятие, так как речь идет о безопасности. После того, как вы, подобрали автоматический выключатель по току, предварительно учли параметры сечение проводов и нагрузки, остается последний вопрос – какого производителя автоматического выключателя выбрать? Сегодня, рынок перенасыщен предложениями различных производителей, как выбрать автоматический выключатель среди десятков предлагаемых брендов мы опишем ниже.Начав подбор автоматического выключателя по бренду, поинтересуйтесь у продавца, где сделан выключатель, и не забудьте спросить про документы подтверждающие качество устройства. Все современные качественные автоматические выключатели имеют сертификацию независимых лабораторий, что дает косвенный показатель оригинальности и надежности изделия. Если обратить внимание на автоматические выключатели Abb, то они имеют сразу несколько сертификатов качества таких лабораторий, их отметку можно найти на корпусе каждого защитного изделия Abb. Например, сертификат CEBEC (Бельгийская инспекция по электротехнической стандартизации, основывается на результатах международных стандартов). Изделия прошедшие стандартизацию лаборатории CEBEC, перед разрешением продаж, подвергаются тщательным испытаниям в Бельгии. Вот такой автомат защиты можно с уверенностью выбирать, он обеспечит правильную и надежную защиту. Стоит заметить, что стоимость автоматических выключателей, прямо пропорционально количеству регалий (отметок лабораторий), поэтому если вы хотите выбрать качественный, надежный и в то же время относительно недорогой автоматический выключатель, советуем выбрать фирменный автоматы самой бюджетной серии, например, автоматические выключатели Hager. Очень важно не купить кустарную подделку, по этому приобретайте автоматические выключатели в специализированных магазинах или у официальных дистрибьюторов. Интернет-магазин «Электрика-Шоп» является специализированным магазином электрики. Наша компания официальная точка продажи продукции таких фирм, как Abb, Hager, Moeller / Eaton, Schneider Electric, Doepke, Legrand. Обращайтесь к нам, мы проконсультируем вас и поможем правильно выбрать автоматический выключатель для вашего дома или квартиры. |
Как выбрать автоматический выключатель — Asutpp
Основная задача автоматических выключателей заключается в обеспечении защиты электрических цепей от критических токов, которые могут быть вызваны перегрузкой или КЗ. Когда через защитное устройство проходит электроток выше номинального, производится отключение подачи электропитания.
Очень важно правильно подобрать автоматы при организации электропроводки, если у них будет ток отсечки ниже допустимого, это вызовет ложные срабатывания. Установка устройств защитного отключения с высоким порогом срабатывания приведет к повреждению электропроводки и всем сопутствующим этому неприятностям.
Понимание принципа работы УЗО позволит правильно подобрать автоматы, поэтому имеет смысл рассказать об их устройстве.
Устройство и основные узлы
На изображении, размещенном ниже, показаны основные узлы УЗО.
Узлы, отвечающие за работу автоматического выключателя- A – узел электромагнитной защиты;
- B – механизм включения-отключения;
- C – узел тепловой защиты.
Подробно о назначении каждого из них.
Узел электромагнитной защиты
Данный узел выполняет функцию электромагнитного расцепителя, основная задача которого произвести отключение при прохождении через автомат напряжения с высокой силой электротока, что характерно при КЗ.
Размещенный ниже график наглядно демонстрирует характеристики приборов категорий «B», «C», «D».
Характеристики бытовых УЗОВертикальная шкала графика отображает скорость с которой происходит срабатывание (сек.), горизонтальная — превышение номинального электротока (I/In).
Как видно из графика, чем больше превышение номинального электротока, тем быстрее время срабатывания, что очень важно при образовании в цепи сверхтоков, характерных для КЗ.
Электромагнитный узел защиты (показан на фото), по сути является обычным соленоидом, при движении сердечника которого происходит размыкание контакта.
Узел электромагнитной защиты крупным планомПринцип действия этого узла следующий:
При прохождении напряжения контактную группу «С» с силой тока выше номинального, в катушке «А» образуется электромагнитное поле, достаточное, чтобы втянуть сердечник «B», разрывающего цепь электропитания.
Узел, обеспечивающий тепловую защиту
Задача этого узла также заключается в разрыве электроцепи при относительно небольшом превышении номинального электротока. Но, в отличие от электромагнитной защиты, отключение выполняется через относительно небольшой промежуток времени.
Такая реализация позволяет не допустить ложное срабатывание, когда происходит кратковременно незначительное превышение номинального электротока. Конструктивная реализация узла показана на фотографии.
Устройство тепловой защиты: «A» — пластина, изготовленная из биметалла, «B» — контактПринцип срабатывания: когда через пластину «A» проходит электроток выше номинального значения, она начинает нагреваться. В результате особенностей материала меняется геометрия пластины, в результате она отключается от контакта «B».
Механизм включения-отключения
Этот узел позволяет привести автомат в рабочее состояние после срабатывания узлов защиты, а также произвести ручное отключение электроцепи, если в том возникла необходимость, например, при проведении ремонтных работ по замене или модернизации проводки.
Основные критерии при выборе
УЗО подбирается под характеристики электропроводки. Учитывая, что в бытовых электропроводках, как правило, используются однополюсные автоматические выключатели, имеет смысл рассмотреть их основные параметры:
- ток отсечки, определяющий допустимую нагрузку;
- категории срабатывания по КЗ;
- максимальные отключающие способности.
Ток отсечки
Этот параметр подбирается в зависимости от нагрузки на линии электропроводки. Для его расчета используется производная от закона Ома, а именно: где Р – суммарная мощность нагрузки на линию, а U – напряжение цепи. Напоминаем, что данная зависимость определяется ваттами, амперами и вольтами, говоря проще, киловатты необходимо перевести в ватты.
Приведем пример: допустим, необходимо подобрать автомат для линии с суммарной мощностью 5 кВт (она указывается на электроприборах). Ток отсечки будет равен 5000/220, то есть не менее 23 А.
При этом также необходимо учитывать допустимую нагрузку на электропроводку, она зависит от сечения провода. Чтобы не путаться в расчетах, проще привести готовую сводную таблицу для скрытой проводки медным проводом.
Сечение провода (мм2) | Допустимый электроток (А) | Допустимая мощность нагрузки (кВт) |
1,50 | 19 | 4,1 |
2,50 | 27 | 5,9 |
4 | 38 | 8,3 |
6 | 46 | 10,1 |
10 | 70 | 15,4 |
Выбирая УЗО, следует принимать во внимание величину допустимой нагрузки на электропроводку. Если требуется подключить приборы большей мощности, установка автомата большего номинала будет не правильным решением, потребуется проложить новую линию соответствующего сечения.
На фотографии показано, где отображается номинально допустимый ток.
Красным отмечен ток отсечкиКатегории срабатывания
Этот параметр характеризует зависимость скорости отключения от превышения номинального тока. Время-токовый график для категорий В, С и D был приведен выше.
Рассмотрим предназначение категорий:
- В – срабатывание при превышении номинального тока в 3-5 раз, как правило, используется в цепях освещения;
- С – мгновенное отключение при 5-10 кратном превышении, предназначены для подключения бытовых приборов;
- D – срабатывание, когда нагрузка больше номинальной в 10-20 раз, в быту практически не используются, применяются для цепей с высокими пусковыми токами (насосы, подъемные механизмы и т.д.).
Другие категории, например, «К» (УЗО для активно-индуктивной нагрузки) или Z (устанавливаются для электроники) для бытовой электропроводки не предназначены. Где производится маркировка категории, согласно принятым стандартам, продемонстрировано на фотографии.
Обозначение категории срабатывания при КЗ (отмечено красным)Допустимая отключающая способность
Этот параметр отображает, какой максимально допустимый ток может быть отключен устройством. По принятым нормативам для бытовой проводки этот параметр должен соответствовать 6000 ампер, его отображение производится на лицевой панели устройства так, как это показано ниже.
Иногда на цепь освещения и группы розеток устанавливаются автоматы, ПКС (предельно коммутирующая способность) которых 4500 А. Насколько это допустимо, зависит от нагрузки, но согласно европейскому стандарту, у бытовых УЗО ПКС должно быть как минимум 6000 А.
Производители и ценовые категории
Учитывая, как много зависит от надежности УЗО, рекомендуется приобретать устройства, производящихся под известными брендами. Стоимость таких автоматов будет несколько дороже, чем у китайских аналогов, заявленные характеристики которых не соответствуют действительности.
Необходимо заметить, что внешний вид контрафактной продукции может практически не отличаться от оригинальной, поэтому лучше производить закупку у сертифицированных дилеров. В противном случае существенно возрастает риск приобретения товара, не отвечающем заявленным характеристикам.
Надежность работы электропроводки напрямую зависит от автоматических выключателей, поэтому не рекомендуется экономить на этих защитных устройствах.
Список литературы
- Пищур А. П. «Современные автоматические выключатели» 2012
- Харечко Ю. В. «Защитные устройства модульного исполнения» 2008
- А.В. Кабышев, Е.В. Тарасов «Низковольтные автоматические выключатели» 2011
Выбор автомата по мощности нагрузки, сечению кабеля и по току: как рассчитать автоматический выключатель
Для организации безотказно действующего внутридомового электроснабжения необходимо выделить отдельные ветки. Каждую линию нужно оснастить собственным прибором защиты, оберегающим изоляцию кабеля от оплавления. Однако не все знают, какое устройство приобрести. Согласны?
Все про выбор автоматов по мощности нагрузки вы узнаете из представленной нами статьи. Мы расскажем, как определить номинал для поиска выключателя необходимого класса. Учет наших рекомендаций гарантирует покупку требующихся устройств, способных исключить угрожающие ситуации при эксплуатации проводки.
Содержание статьи:
Автоматические выключатели для бытовых сетей
Электроснабжающие организации осуществляют подключение домов и квартир, выполняя работы по подведению кабеля к распредщиту. Все мероприятия по монтажу разводки в помещении выполняют его владельцы, либо нанятые специалисты.
Чтобы подобрать автомат для защиты каждой отдельной цепи необходимо знать его номинал, класс и некоторые другие характеристики.
Основные параметры и классификация
Бытовые автоматы устанавливают на входе в низковольтную электрическую цепь и предназначены они для решения следующих задач:
- ручное или электронное включение или обесточивание электрической цепи;
- защита цепи: отключение тока при незначительной длительной перегрузке;
- защита цепи: мгновенное отключение тока при коротком замыкании.
Каждый выключатель имеет характеристику, выраженную в амперах, которую называют (In) или “номинал”.
Суть этого значения проще понять, используя коэффициент превышения номинала:
K = I / In,
где I – реальная сила тока.
- K < 1.13: отключение (расцепление) не произойдет в течение 1 часа;
- K > 1.45: отключение произойдет в течение 1 часа.
Эти параметры зафиксированы в п. 8.6.2. ГОСТ Р 50345-2010. Чтобы узнать за какое время произойдет отключение при K>1.45 нужно воспользоваться графиком, отражающим времятоковую характеристику конкретной модели автомата.
При длительном превышении током значения номинала выключателя в 2 раза, размыкание произойдет за период от 8 секунд до 4-х минут. Скорость срабатывания зависит от настройки модели и температуры среды
Также у каждого типа автоматического выключателя определен диапазон тока (Ia), при котором срабатывает механизм мгновенного расцепления:
- класс “B”: Ia = (3 * In .. 5 * In];
- класс “C”: Ia = (5 * In .. 10 * In];
- класс “D”: Ia = (10 * In .. 20 * In].
Устройства типа “B” применяют в основном для линий, которые имеют значительную длину. В жилых и офисных помещениях используют автоматы класса “С”, а приборы с маркировкой “D” защищают цепи, где есть оборудование с большим пусковым коэффициентом тока.
Стандартная линейка бытовых автоматов включает в себя устройства с номиналами в 6, 8, 10, 16, 20, 25, 32, 40, 50 и 63 A.
Конструктивное устройство расцепителей
В современном присутствуют два вида расцепителей: тепловой и электромагнитный.
Биметаллический расцепитель имеет форму пластины, созданной из двух токопроводящих металлов с различным тепловым расширением. Такая конструкция при длительном превышении номинала приводит к нагреву детали, ее изгибу и срабатыванию механизма размыкания цепи.
У некоторых автоматов с помощью регулировочного винта можно изменить параметры тока, при котором происходит отключение. Раньше этот прием часто применяли для “точной” настройки устройства, однако эта процедура требует углубленных специализированных знаний и проведения нескольких тестов.
Вращением регулировочного винта (выделен красным прямоугольником) против часовой стрелки можно добиться большего времени срабатывания теплового расцепителя
Сейчас на рынке можно найти множество моделей стандартных номиналов от разных производителей, у которых времятоковые характеристики немного отличаются (но при этом соответствуют нормативным требованиям). Поэтому есть возможность подобрать автомат с нужными “заводскими” настройками, что исключает риск неправильной калибровки.
Электромагнитный расцепитель предотвращает перегрев линии в результате короткого замыкания. Он реагирует практически мгновенно, но при этом значение силы тока должно в разы превышать номинал. Конструктивно эта деталь представляет собой соленоид. Сверхток генерирует магнитное поле, которое сдвигает сердечник, размыкающий цепь.
Соблюдение принципов селективности
При наличии разветвленной электрической цепи можно организовать защиту таким образом, чтобы при коротком замыкании произошло отключение только той ветви, на которой возникла аварийная ситуация. Для этого применяют принцип селективности выключателей.
Наглядная схема, показывающая принцип работы системы автоматических выключателей с реализованной функцией селективности (выборочности) срабатывания при возникновении короткого замыкания
Для обеспечения выборочного отключения на нижних ступенях устанавливают автоматы с мгновенной отсечкой, размыкающие цепь за 0.02 – 0.2 секунды. Выключатель, размещенный на вышестоящей ступени, или имеет выдержку по срабатыванию в 0.25 – 0.6 с или выполнен по специальной “селективной” схеме в соответствии со стандартом DIN VDE 0641-21.
Для гарантированного обеспечения лучше использовать автоматы от одного производителя. Для выключателей единого модельного ряда существуют таблицы селективности, которые указывают возможные комбинации.
Простейшие правила установки
Участок цепи, который необходимо защитить выключателем может быть одно- или трехфазным, иметь нейтраль, а также провод PE (“земля”). Поэтому автоматы имеют от 1 до 4 полюсов, к которым подводят токопроводящую жилу. При создании условий для расцепления происходит одновременное отключение всех контактов.
Автоматы в щитке крепят на специально отведенную для этого DIN-рейку. Она обеспечивает компактность и безопасность подключения, а также удобный доступ к выключателю
Автоматы устанавливают следующим образом:
- однополюсные на фазу;
- двухполюсные на фазу и нейтраль;
- трехполюсные на 3 фазы;
- четырехполюсные на 3 фазы и нейтраль.
При этом запрещено делать следующее:
- устанавливать однополюсные автоматы на нейтраль;
- заводить в автомат провод PE;
- устанавливать вместо одного трехполюсного автомата три однополюсных, если в цепь подключен хотя бы один трехфазный потребитель.
Все эти требования прописаны в ПУЭ и их необходимо соблюдать.
В каждом доме или помещении, к которому подведено электричество, устанавливают вводной автомат. Его номинал определяет поставщик и это значение прописано в договоре на подключение электроэнергии. Предназначение такого выключателя – защита участка от трансформатора до потребителя.
После вводного автомата к линии подключают счетчик (одно- или трехфазный) и , функции которого отличаются от работы автоматического и дифференциального выключателя.
Если в помещении выполнена разводка на несколько контуров, то каждый из них защищают отдельным автоматом, мощность которого . Их номиналы и классы определяет владелец помещения с учетом существующей проводки или мощности подключаемых приборов.
Счетчик электроэнергии и автоматические выключатели устанавливают в распределительном щите, который отвечает всем требованиям безопасности и легко может быть вписан в интерьер помещения
При выборе места для размещения необходимо помнить, что на свойства теплового расцепителя влияет температура воздуха. Поэтому желательно располагать рейку с автоматами внутри самого помещения.
Расчет необходимого номинала
Основная защитная функция автоматического выключателя распространяется на проводку, поэтому подбор номинала осуществляют по сечению кабеля. При этом вся цепь должна обеспечить штатную работу подключенных к ней приборов. Расчет параметров системы несложен, но надо учесть много нюансов, чтобы избежать ошибок и возникновения проблем.
Определение суммарной мощности потребителей
Один из главных параметров электрического контура – максимально возможная мощность подключенных к ней потребителей электроэнергии. При расчете этого показателя нельзя просто суммировать паспортные данные устройств.
Активная и номинальная компонента
Для любого прибора, работающего от электричества, производитель обязан указать активную мощность (P). Эта величина определяет количество энергии, которая будет безвозвратно преобразована в результате работы аппарата и за которую пользователь будет платить по счетчику.
Но для приборов с наличием конденсаторов или катушки индуктивности есть еще одна мощность с ненулевым значением, которую называют реактивной (Q). Она доходит до устройства и практически мгновенно возвращается обратно.
Реактивная компонента не участвует при подсчете использованной электроэнергии, но совместно с активной формирует так называемую “полную” или “номинальную” мощность (S), которая дает нагрузку на цепь.
cos(f) – параметр, с помощью которого можно определить полную (номинальную мощность) по активной (потребляемой). Если он не равен единице, то его указывают в технической документации к электроприбору
Считать вклад отдельного устройства в общую нагрузку на токопроводящие жилы и автомат необходимо по его полной мощности: S = P / cos(f).
Повышенные стартовые токи
Следующей особенностью некоторых типов бытовой техники является наличие трансформаторов, электродвигателей или компрессоров. Такие устройства при начале работы потребляют пусковой (стартовый) ток.
Его значение может в несколько раз превышать стандартные показатели, но время работы на повышенной мощности невелико и обычно составляет от 0.1 до 3 секунд. Такой кратковременный всплеск не приведет к срабатыванию теплового расцепителя, но вот электромагнитный компонент выключателя, отвечающий за сверхток КЗ, может среагировать.
Особенно эта ситуация актуальна для выделенных линий, к которым подключают оборудование типа деревообрабатывающих станков. В этом случае нужно посчитать ампераж и, возможно, имеет смысл использовать автомат класса “D”.
Учет коэффициента спроса
Для цепей, к которым подключено большое количество оборудования и отсутствует устройство, которое потребляет наибольшую часть тока, используют коэффициент спроса (ks). Смысл его применения заключается в том, что все приборы не будут работать одновременно, поэтому суммирование номинальных мощностей приведет к завышенному показателю.
Коэффициент спроса на группы электропотребителей установлен в п. 7 СП 256.1325800.2016. На эти показатели можно опираться и при самостоятельном расчете максимальной мощности
Этот коэффициент может принимать значение равное или меньшее единице. Вычисления расчетной мощности (Pr) каждого прибора происходит по формуле:
Pr = ks * S
Суммарную расчетную мощность всех приборов применяют для вычисления параметров цепи. Использование коэффициента спроса целесообразно для офисных и небольших торговых помещений с большим числом компьютеров, оргтехники и другой аппаратуры, запитанной от одного контура.
Для линий с незначительным количеством потребителей этот коэффициент не применяют в чистом виде. Из подсчета мощности убирают те устройства, чье включение одновременно с более энергозатратными приборами маловероятно.
Так, например, мало шансов на единовременную работу в жилой комнате с утюгом и пылесосом. А для мастерских с небольшим числом персонала в расчет берут только 2-4 наиболее мощных электроинструмента.
Вычисление силы тока
Выбор автомата производят по максимальному значению силы тока, допустимому на участке цепи. Необходимо получить этот показатель, зная суммарную мощность электропотребителей и напряжение в сети.
Согласно ГОСТ 29322-2014 с октября 2015 года значение напряжения должно быть равным 230 В для обыкновенной сети и 400 В – для трехфазной. Однако в большинстве случаев, до сих пор действуют старые параметры: 220 и 380 В соответственно. Поэтому для точности расчетов необходимо провести замеры с применением вольтметра.
Измерить напряжение в домашней сети можно с помощью вольтметра или мультиметра. Для этого достаточно воткнуть его контакты в розетку
Еще одной проблемой, особенно актуальной для , является предоставление электроснабжения с недостаточным напряжением. Замеры на таких проблемных объектах могут показывать значения, выходящие за определенный ГОСТом диапазон.
Более того, в зависимости от уровня потребления соседями электричества, значение напряжения может сильно меняться в течение короткого времени.
Это создает проблему не только для функционирования приборов, но и для . При падении напряжения некоторые устройства просто теряют в мощности, а некоторые, у которых присутствует входной стабилизатор, увеличивают потребление электричества.
Качественно провести расчеты необходимых параметров цепи в таких условиях сложно. Поэтому либо придется прокладывать кабели с заведомо большим сечением (что дорого), либо решать проблему через установку входного стабилизатора или подключение дома к другой линии.
Стабилизатор устанавливают рядом с распределительным щитом. Часто бывает, что это единственный способ получить нормативные значения напряжения в доме
После того как была найдена общая мощность электроприборов (S) и выяснено значение напряжения (U), расчет силы тока (I) проводят по формулам, являющихся следствием закона Ома:
If = S / Uf для однофазной сети
Il = S / (1.73 * Ul) для трехфазной сети
Здесь индекс “f” означает фазные параметры, а “l” – линейные.
Большинство трехфазных устройств используют тип подключения “звезда”, а также именно по этой схеме функционирует трансформатор, выдающий ток для потребителя. При симметричной нагрузке линейная и фазная сила будут идентичны (Il = If), а напряжение рассчитывают по формуле:
Ul = 1.73 * Uf
Нюансы подбора сечения кабеля
Качество и параметры проводов и кабелей регулирует ГОСТ 31996-2012. По этому документу для выпускаемой продукции разрабатывают ТУ, где допускается некоторый диапазон значений базовых характеристик. Изготовитель обязан предоставить таблицу соответствия сечения жил и максимальной безопасной силы тока.
Максимально допустимая сила тока зависит от сечения жил проводов и способа монтажа. Они могут быть проложены скрытым (в стене) или открытым (в трубе или коробе) способом
Выбирать кабель необходимо так, чтобы обеспечить безопасное протекание тока, соответствующего расчетной суммарной мощности электроприборов. Согласно ПУЭ (правила устройства электроустановок) минимальное , используемых в жилых помещениях, должно быть не менее 1,5 мм2.
Стандартные размеры имеют следующие значения: 1,5; 2,5; 4; 6 и 10 мм2.
Иногда есть резон использовать провода с сечением на шаг больше, чем минимально допустимое. В этом случае существует возможность подключения дополнительных приборов или замена уже существующих на более мощные без дорогостоящих и длительных работ по прокладке новых кабелей.
Расчет параметров автомата
Для любой цепи должно быть выполнено следующее неравенство:
In <= Ip / 1.45
Здесь In – номинальный ток автомата, а Ip – допустимый ток для проводки. Это правило обеспечивает гарантированное расцепление при длительном превышении допустимой нагрузки.
Неравенство “In <= Ip / 1.45” является основным условием при комплектовании пары “автомат – кабель”. Пренебрежение этим правилом может привести к возгоранию проводки
Рассчитать номинал автомата можно как по суммарной нагрузке, так и по сечению жил уже проложенной проводки. Допустим, что существует схема подключения электроприборов, но проводка еще не проложена.
В этом случае последовательность действий следующая:
- Вычисление суммарной силы тока подключенных к сети электроприборов.
- Выбор автомата с номиналом не меньше, чем вычисленная величина.
- Подбор сечения кабеля по номиналу автомата.
Пример:
- S = 4 кВт; I = 4000 / 220 = 18 A;
- In = 20 A;
- Ip >= In * 1.45 = 29 A; D = 4 мм2.
Если проводка уже проложена, то последовательность действий другая:
- Определение допустимого тока при известном сечении и способе прокладки проводки по предоставленной производителем таблице.
- Подбор автоматического выключателя.
- Вычисление мощности подключаемых устройств. Комплектование группы приборов таким образом, чтобы суммарная нагрузка на цепь была меньше номинала.
Пример. Пусть проложены два одножильных кабеля открытым способом, D = 6 мм2, тогда:
- Ip = 46 A;
- In <= Ip / 1.45 = 32 A;
- S = In * 220 = 7.0 кВт.
В пункте 2 последнего примера есть незначительное допустимое приближение. Точное значение In = Ip / 1.45 = 31.7 A округлено до значения 32 A.
Выбор между несколькими номиналами
Иногда возникает ситуация, когда можно выбрать несколько автоматов с разными номиналами для защиты контура. Например, при суммарной мощности электроприборов 4 кВт (18 A) была с запасом выбрана проводка с сечением медных жил 4 мм2. Для такой комбинации можно поставить выключатели на 20 и 25 A.
Если схема разводки электрики предполагает наличие многоярусной защиты, то нужно выбирать автоматы так, чтобы значение номинала вышестоящего (на рисунке он справа – 25 A) было больше, чем у выключателей более низких уровней
Плюсом выбора выключателя с наивысшим номиналом является возможность подключения дополнительных приборов без изменения элементов контура. Чаще всего так и поступают.
В пользу выбора автомата с меньшим номиналом говорит тот факт, что его тепловой расцепитель быстрее среагирует на повышенный показатель силы тока. Дело в том, что у некоторых приборов может возникнуть неисправность, которая приведет к росту потребления энергии, но не до значения короткого замыкания.
Например, поломка подшипника двигателя стиральной машины приведет к резкому увеличению тока в обмотке. Если автомат быстро среагирует на превышение разрешенных показателей и произведет отключение, то мотор не сгорит.
Выводы и полезное видео по теме
Конструкция автоматического выключателя и его классификация. Понятие времятоковой характеристики и подбор номинала по сечению кабеля:
Расчет мощности приборов и выбор автомата с использованием положений ПУЭ:
К выбору автоматического выключателя нужно отнестись ответственно, так как от этого зависит безопасность работы электросистемы дома. При всем множестве входных параметров и нюансов расчета необходимо помнить, что основная защитная функция автомата распространяется на проводку.
Пишите, пожалуйста, комментарии, задавайте вопросы, размещайте фото по теме статьи в расположенном ниже блоке. Делитесь полезной информацией, которая может пригодиться посетителям сайта. Расскажите о собственном опыте в выборе автоматических выключателей для защиты дачной или домашней электропроводки.
Как правильно выбрать автоматический выключатель
Автоматические выключатели («Автоматы») представляют собой специальные электромеханические системы, использование которых нацелено на, то чтобы защитить электрическое оборудование от возможных перенапряжений и коротких замыканий, которые нередко могут случаться в токоподводящих электрических цепях. Чтобы «Автоматы» эффективно работали и обеспечивали требуемый уровень защиты нужно, чтобы рабочие параметры выключателя, а также его конструкция соответствовали техническим параметрам электрической цепи, в которую они предназначаются. Для того чтобы правильно подобрать автоматический выключатель нужно пройти несколько этапов, о которых речь пойдет ниже.
Критерии выбора автоматических выключателей
Расчет номинального тока автоматического выключателя
В первую очередь следует выполнить расчет тока в линии электропередачи, который будет отличаться для одиночного потребителя и группы потребителей. В случае одного потребителя нужно определиться будет использоваться одно и трехфазная цепь питания, а для групповой линии изначально рассчитывается ее мощность, а уже после этого, в соответствии от используемой линии, проводится расчет значения рабочего тока линии. Изучить формулы, по которым выполняют расчеты как для одно-, так и трехфазных линий можно в специальных методиках по расчету бытовых и промышленных электрических цепей.
После того как определен расчетный ток в линии можно выбрать номинальный ток «Автоматов», который равный расчетному или ближайшему большему числу из имеющейся номенклатуры выключателей. Например, для розеточных линий номинальный ток не превышает 16 А, а для линий освещения не более 10 А.
Следующим шагом будет расчет по сечению используемых проводников. Он производится для того, чтобы убедиться, в том, что номинальный ток автомата не превышает допустимых токовых нагрузок для используемых проводов. В зависимости от используемой проводки медная или алюминиевая следует использовать соответствующие соотношения и нормативные таблицы, с которыми можно ознакомиться в методике по расчету электрических цепей.
Следует заметить, что использование автоматических автоматов с завышенными значениями рабочих токов не допускается, поскольку такое устройство не сработает на отключение питания в случае перегрузки. На режим короткого замыкания такой автомат сработает, а на перенапряжение – нет, то есть будет задействован не весь его потенциал, что может привести к серьезным поврежденьям выходу из строя проводки.
Выбор время-токовой характеристики
В основном используются автоматы с тремя вариантами время-токовой характеристики, которую обозначают как «В», «С» и «D». Характеристика «В» применяется для старого жилого фонда со старой проводкой, для осветительных сетей с лампами накаливания, а также для сетей, которые питают электрообогреватели, духовки, электрические плиты. «С» – характеристика используется когда нужно будет пользоваться такими приборами как стиральные машины, кондиционеры, холодильники, газоразрядные лампы с увеличенным током пуска, а также для розеточных групп бытового использования. Третья характеристика – «D» используется для защиты цепей, которые питают мощные компрессорные станции, станки, прессы и прочее оборудование промышленного типа.
Выбор селективности
При построении структуры используемой иерархии электрических цепей и расстановки автоматических выключателей важно придерживаться селективности. Это означает, что номинал по току входного автоматического выключателя должен превышать значения номиналов всех групповых автоматов и в полной мере соответствовать максимальному значению электрической нагрузки, которую может выдерживать входной питающий кабель и вся проводка, используемая на электрифицируемом объекте. Важно помнить, что автоматические выключатели, которые располагаются на одной линии, должны монтироваться с соблюдением правила убывания номинала «Автомата».
Выбор предельной коммутационной способности (ПКС)
На этом этапе выбора «Автомата» следует определиться с коммутационной способностью электрической сети, которую будет защищать выключатель-автомат. Если на объекте используется старый вариант проводки, которая выполнена из алюминиевых проводов, то нужно выбирать выключатели, которые имеют значение ПКС равным показателю не меньше 4500 А. Если используется проводка из медных проводов, то ПКС следует выбирать не меньше 6000 А. В случае же нового дома, возле которого находится трансформаторная подстанция, нужно выбирать автоматический выключатель, который имеет ПКС хотя бы 10000 А.
Выбор класса токоограничения
На этом этапе определяется класс ограничивающего тока для подбираемого автомата-выключателя. Существует три класса тока ограничения, которые отличаются продолжительностью гашения дугового разряда, который может генерироваться при размыкании коммутационных контактов. Для 1-го класса время гашения дуги составляет больше 10 мс, для 2-го класса – от 6-ти до 10 мс и для 3-го класса показатель отвечает диапазону значений 2,5…6 мс. Рекомендуется выбыть «Автоматы» с 3-им классом токоограничения.
Выбор количества полюсов
Важным этапом в выборе выключателя является правильно подобранное количество рабочих полюсов. Для установки выключателей в однофазные сети подойдут однополюсные или двухполюсные конструкции. Чтобы выполнить защиту токопроводящей линии, идущей от электрического щита к розеточной цепи, или цепи освещения, достаточно будет однополюсного автомата. Для эффективной защиты всей проводки помещения нужно выбирать двухполюсные варианты выключателей.
Для 3-фазных сетей оптимальным выбором станут конструкции выключателей 3-полюсного и 4-полюсного типа.
Выбор дополнительных параметров
Этот этап определяет выбор дополнительных параметров, которые не вошли в предыдущие шаги, но играют важную роль в процессе эксплуатации автоматического выключателя. Среди дополнительных параметров, которые характеризуют выключатели можно выбрать напряжение питающей сети, частоту питающей сети, степень защиты IP, температурное исполнение. По этим параметрам подбирается «Автоматы», если они отличаются от стандартно установленных значений этих показателей в используемых электрических цепях.
Выбор производителя оборудования
Рекомендуется выбирать все автоматы, устанавливаемые при построении электрической цепи, одного производителя и из одной серии. В этом случае будет легче обеспечить селективность и эффективность работы всех устанавливаемых выключателей. Также важно выбирать продукцию проверенных и известных на рынке производителей, которые хорошо себя зарекомендовали. Не стоит стараться выбрать как можно дешевый автомат, который мало того, что прослужит не долго, но еще может привести и к возгоранию проводки.
Выбирая автоматический выключатель, следует помнить о важности каждого из представленных этапов, ведь от правильно подобранного устройства зависит безопасность в помещении, целостность его имущества и жизни людей.
6 критериев выбора автоматических выключателей
Автоматический выключатель предназначен для защиты электропроводки от короткого замыкания и перегрузок электросети. Если аварийная ситуация произойдет, то изоляция кабеля мгновенно расплавится, а сама проводка вспыхнет. Чтобы такого не произошло, в квартирном щитке нужно обязательно установить автомат с подходящими характеристиками. О том, как выбрать автоматический выключатель по току, сечению кабеля и остальным характеристикам, компания TESLI расскажет в этой статье.
Итак, основные характеристики выбора автоматического выключателя:
1. Ток короткого замыкания. Правилами ПУЭ установлено, что автоматы с наибольшей отключающей способностью мене 6 кА запрещаются. Если дом расположен рядом с трансформаторной подстанцией, нужно выбрать автоматический выключатель, срабатывающий при предельном коротком замыкании в 10 кА. В остальных случаях вполне подойдет аппарат 6000 Ампер.
2. Номинальный ток. Данная характеристика отображает значение тока, свыше которого произойдет разъединение цепи и защиту электропроводки от перегрузок. Чтобы выбрать подходящее значение, нужно отталкиваться от сечения кабеля домашней проводки и мощности потребителей электроэнергии.
3. Ток срабатывания. Одновременно с рабочим током нужно подобрать его номинал по току срабатывания. Чтобы автоматический выключатель не сработал, восприняв включение двигателя, как короткое замыкание, нужно правильно выбрать класс коммутационного аппарата.
4. Селективность, то есть отключение в аварийной ситуации только определенного, проблемного участка, а не всей электроэнергии в доме. Здесь необходимо выбирать номиналы в соответствии с обслуживающей линией. Номинальный ток вводного коммутационного аппарата должен превышать значение рабочего тока всех стоящих автоматических выключателей в щитке.
5. Количество полюсов — еще один важный критерий выбора. Для однофазной сети 220 Вольт на ввод рекомендуется выбирать двухполюсный однофазный автомат. На освещение и отдельно подключаемую технику нужно подобрать подходящий однополюсный автоматический выключатель. Если в доме трехфазная электросеть, на ввод купите четырехполюсный коммутационный аппарат.
6. Завод изготовитель. При выборе автоматического выключателя важно обращать внимание на фирму автомата. Иначе при покупке подделки указанные выше параметры будут не соответствовать реальности. В результате, при токе короткого замыкания электромагнитный расцепитель может не сработать и как последствие — пожар. Поэтому мы рекомендуем подбирать автоматику от качественных производителей.
Поделиться записью
Как выбрать автоматический выключатель
Для каждого кто разбирается в электрике кажется очевидным одно простое правило. Тот, кто правильно распланировал расстановку автоматических выключателей в доме – может быть уверен в сохранности своего жилья. И это действительно так! В наше время ни один дом не обходится без автоматических выключателей. Это маленькое устройство на дин-рейку способно защитить любой прибор от короткого замыкания и дом любых размеров от пожара по причине возгорания электропроводки. Но даже самый качественный и самый надёжный автоматический выключатель окажется абсолютно бесполезным, при неправильном подборе. Что же такого особенного в процедуре подбора автоматических выключателей, почему эта процедура является уникальной для каждого пользователя и для чего же нужны десятки характеристик каждому автомату? На все эти и другие вопросы ответ можно найти в этой статье.
Как правильно подобрать автоматический выключатель
Выбор подходящего автоматического выключателя можно разделить на следующие этапы:
- Расчёт номинального тока автоматического выключателя.
- Выбор времятоковой характеристики.
- Построение селективности.
- Подбор предельно-коммутационной способности.
- Определение класса токоограничения.
- Полюса и варианты подключения.
- Дополнительные параметры.
- Поправочные коэффициенты.
- Пример поэтапного расчета.
Для начала разберём, что же такое автоматический выключатель и для чего он нужен. Это специальное устройство с установкой на DIN-рейку в электрический щит которое служит для быстрого размыкания сети в случае короткого замыкания или перенагрузки сети. Ведь если этого не сделать, то проводка в доме неизбежно нагреется до температуры выше номинальной выдерживаемой, нарушится целостность изоляции и возникнет прямая угроза пожара. Сомнений в незаменимой пользе этого устройства быть не может, но при неправильном подборе характеристик выключатель может срабатывать и без замыканий или не срабатывать вовсе и привести к порче проводки и её возгоранию. Поэтому так важна процедура поэтапного выбора автоматического выключателя и одной из самых важных характеристик является номинальный ток. Все важные характеристики отображены на корпусе такого устройства и это можно увидеть ниже.
Рис. 1.1 – корпус автоматического выключателя
где:
1 – тип времятоковой характеристики и номинальный ток;
2 – предельная коммутационная способность и класс токоограничений;
3 – напряжение и частота питания.
1. Расчёт номинального тока автоматического выключателя
Номинальный ток – первая в списке важных характеристик на которые стоит обратить внимание (измеряется в амперах). Отображает ток, превышение которого будет считаться перенагрузкой для выбранной электрической группы и спровоцирует срабатывание устройства. Подсчёт для одного и нескольких устройств производится по ряду довольно простых формул, так что не спешим пугаться!
1.1. Одиночный потребитель
1.1.1. Однофазная сеть
С помощью следующей формулы можно мгновенно рассчитать номинальный ток для одиночного потребителя в однофазной сети:
P/(U*cos(phi)), где
P – мощность прибора-потребителя, Вт;
U – напряжение однофазной сети (равно 220), В;
cos(phi) – стандартно для жилых квартир значение применяется от 0,96 до 0,98 (изменяется в зависимости от характера нагрузки). Для большинства офисной и бытовой техники (ламп накаливания, нагревательных приборов, и т.д.) этот параметр равен 1 (не учитывается) поскольку такая техника имеет только активный характер нагрузки. Но для устройств с реактивным характером нагрузки (холодильник, кондиционер, электродвигатель, лампы с балластом и т.д.) значение этого параметра принято считать по стандартам жилых квартир.
1.1.2 Трехфазная сеть
Для одиночного потребителя трёхфазной сети формула расчёта будет следующей:
P/(√3*U*cos(phi)*T), где
U – напряжение трехфазной сети (равно 380), В;
T – номинальный коэффициент полезного действия (КПД) прибора-потребителя.
1.2 Группа потребителей
1.2.1 Групповая мощность всех приборов этой группы
Её можно узнать из этой формулы:
Р(расч) = Кс(Р1+Р2+…+Рn), Вт, где
Кс – коэффициент спроса (зависит от количества устройств в группе). Если все приборы в группе работают одновременно (что бывает крайне редко), то параметр принимается равным 1. В другом случае он изменяется согласно таблице:
Количество устройств | 2 | 3 | 4-200 |
Кс | 0,8 | 0,75 | 0,7 |
Таблица 1.1 – значения коэффициента спроса
1.2.2. Полная расчётная мощность
Её можно получить по следующей формуле:
S(расч) = Р(расч)/cos(phi), ВА
1.2.3. Расчетный ток нагрузки для группы потребителей
- В однофазной сети
I(расч) = S(расч)/220
- В трехфазной сети
I(расч) = S(расч)/(√3*380)
1.2.4. Выбор номинального тока
Выбор производится равным расчетному току нагрузки или чаще выбирается ближайший больший из стандартизированного ряда: 6, 10, 16, 20, 25, 32, 40, 50, 63 A.
Важные нюансы:
- Если автомат меньше номинала, то возможно его срабатывание при полной нагрузке в линии.
- Все вычисления производятся для эксплуатационной температуры в 30 градусов Цельсия, если она отличается от вышеупомянутой, производится поправка согласно таблице, которую производители предоставляют вместе с автоматом.
- Для осветительных цепей используются автоматы номиналом до 10A (кабель 3×1,5 мм.кв.).
- Для розеточных групп используются автоматы номиналом до 16A (кабель 3×2,5 мм.кв.).
- Если рассчитанный номинальный ток превышает номинальный ток автомата, то необходимо выбрать кабель большего сечения или эту группу разделить на 2 или более групп и начать расчёт сначала.
2. Выбор времятоковой характеристики
У каждого устройства есть свой пусковой ток, который может значительно превышать номинальный ток самого устройства. Времятоковая характеристика отвечает за уровень выдерживаемых пусковых токов при превышении которых автоматический выключатель сработает на отключение.
Типы времятоковых характеристик:
- Тип А (от 2 до 3 значений номинального тока) – применяются для защиты цепей с большой протяжённостью электропроводки и для защиты полупроводниковых устройств.
- Тип B (от 3 до 5 значений номинального тока) – применяются для защиты цепей без больших скачков напряжения с преимущественно активной нагрузкой (лампы накаливания, обогреватели, печи).
- Тип C (от 5 до 10 значений номинального тока) – применяются для защиты цепей установок с умеренными пусковыми токами (компьютерная техника, кондиционеры, холодильники, домашние розеточные группы, газоразрядные лампы с повышенными пусковыми токами, и т.д.).
- Тип D (от 10 до 20 значений номинального тока) – применяются для защиты цепей, питающих электродвигатели с высокими пусковыми токами (компрессоры, подъёмники, насосы, и т.д.).
- Тип K (от 8 до 12 значений номинального тока) – применяются для защиты цепей с индуктивной нагрузкой.
- Тип Z (от 2,5 до 3,5 значений номинального тока) – применяются для защиты цепей с электронными приборами чувствительными к сверхтокам.
В быту чаще всего рекомендуют использовать выключатели типа C, B и реже D, а в промышленности рекомендуются выключатели типа D.
3. Построение селективности
Каждый дом имеет своеобразную древовидную систему электропроводки включая множество щитов и автоматов. Стандартно в каждом доме должен быть автоматический выключатель в вводном (главном) щите, по выключателю в щите на каждый этаж (если речь идёт о частном доме) и по выключателю на каждую расчетную группу приборов.
Селективность – это свойство автоматических выключателей которое в случае срабатывания выключателя одной из групп, не позволяет выключиться другим последующим выключателям.
При отсутствии селективности тяжело определить в какой именно группе произошёл случай срабатывания автоматического выключателя, ведь сработает сразу целый ряд выключателей.
Чтобы построить селективность в системе выключателей, нужно помнить несколько простых правил:
- Все автоматические выключатели должны быть одного производителя и одной серии.
- Номинал вводного автомата должен превышать номиналы всех групповых автоматических выключателей и соответствовать максимально допустимой нагрузке вводного провода и проводки дома.
- Номиналы автоматических выключателей, находящихся на одной линии древовидной системы, должны идти по убывающей.
- Если номинальный ток выключателя стоящего во главе группы или нескольких групп совпадает с номинальным током одного из последующих выключателей, то у автомата стоящего выше должен быть тип времятоковой характеристики с большей устойчивостью к пусковым токам. (Например, если на одной из групп стоит автомат номиналом 25A и типом B, а на стоящем выше по системе автомате установлен такой же номинал, то его тип времятоковой характеристики должен быть C или выше).
4. Подбор предельно-коммутационной способности
Предельно-коммутационная способность – максимально допустимый ток короткого замыкания, при котором автоматический выключатель не сломается и сможет продолжить своё функционирование при повторном включении (измеряется в амперах и килоамперах).
На фотографии корпуса автоматического выключателя отмечена цифрой 2 и обычно отображается в верхнем прямоугольнике.
Существующие стандарты предельно-коммутационных способностей и их предназначения:
- 4500A (4,5 kA) – характерна для старых домов с алюминиевой проводкой (устаревшие и деревенские дома).
- 6000A (6 kA) – наиболее распространенные в быту, используется для медной и относительно новой проводки.
- 10000A (10 kA) – применяется для медной новой проводки, если рядом с домом находится трансформаторная подстанция и если дом новый. В таких случаях рекомендуется устанавливать выключатели с такой предельно-коммутационной способностью если не во все группы, то хотя бы на главный щит.
5. Определение класса токоограничения
Класс токоограничения – отвечает за время гашения электронной дуги возникающей в случае срабатывания и прерывания электрической цепи.
При разрыве цепи электронная дуга направляется в дугогасящую камеру автомата и чем быстрее она гаснет, тем меньше контакты поддаются эрозии и соответственно больше сохраняют своё работоспособное состояние.
На фотографии корпуса автоматического выключателя отмечен цифрой 2 и обычно отображается в нижнем прямоугольнике.
Какие бывают классы и что стоит о них знать:
- «1» – самый плохой показатель среди классов токоограничений. Время гашения дуги = 10 мс. Может даже не маркироваться на корпусе.
- «2» – средний показатель классов. Время гашения дуги от 6 до 10 мс.
- «3» – лучший показатель. Время гашения дуги от 2,5 до 6 мс. Рекомендуется выбирать именно этот показатель.
6. Полюса и варианты подключения
Крайне простая процедура, которая отталкивается всего лишь от двух критериев:
- Фазность сети.
- Тип заземления.
Рис 6.1 – варианты подключения автоматических выключателей
В выключатели, которые имеют 2 и 4 полюса – помимо фазного провода подключается еще и нулевой, что видно из Рисунка 6.1.
В зависимости от фаз в сети (1 или 3) используются однополюсные/трехполюсные (практически на все звенья древовидной цепи подключения) и двухполюсные/четырехполюсные (чаще в качестве вводного выключателя) автоматы.
Так же иногда вместо автоматов c 2-мя и 4-мя полюсами используются 1p+N и 3p+N, ведь они дешевле. Такие выключатели отличаются тем, что в секции N отсутствует защита в виде теплового и электромагнитного расцепителей, и нулевой (N) контакт размыкается механически после срабатывания расцепителя в фазной (P) секции, а при подключении – питание в N идёт первым. Но такой автоматический выключатель может оказаться абсолютно беспомощным в целом ряде случаев, например, если в результате ошибки фазный и нулевой провода перепутаются местами и т.д.
Важно! Двух- и четырехполюсные автоматические выключатели в которые вставляется нулевой провод можно использовать только при системах заземления в которых ноль (N) и земля (PE) разделены на разные провода, например, в системах «TN-S», «TN-C-S». Это позволяет не разрывать контакт заземления. В старой системе заземления, например, «TN-C» (в основном используемой в устаревших постройках) – ноль и земля соединены в один провод (PEN), поэтому можно использовать только автоматические выключатели с 1 и 3 полюсами!
7. Дополнительные параметры
Все автоматические выключатели известных брендов рассчитаны на стандартные усреднённые условия эксплуатации. И в основном это относится к следующим характеристикам:
- Напряжение питающей сети.
- Частота питающей сети.
- Степень защиты
- Климатическое исполнение.
- Эксплуатационная температура.
В случае нестандартных условий использования стоит это учитывать при поиске.
Так же для повышения надёжности и долговечности электропроводки существуют следующие рекомендации выбора автоматических выключателей:
- Для провода 1,5 мм.кв. = 10A выключатель (нагрузка до 2,2 кВт).
- Для провода 2,5 мм.кв. = 16A выключатель (нагрузка до 3,5 кВт).
- Для провода 4 мм.кв. = 25A выключатель (нагрузка до 5,5 кВт).
- Для провода 6 мм.кв. = 32A выключатель (нагрузка до 7 кВт).
- Для провода 10 мм.кв. = 50A выключатель (нагрузка до 11 кВт).
8. Поправочные коэффициенты
При установке нескольких выключателей рядом они оказывают сильное тепловое влияние друг на друга и необходимо учитывать поправочный коэффициент согласно таблице:
Число автоматов | 1 | 2…3 | 4…5 | ≥6 |
Коэффициент К | 1 | 0,95 | 0,9 | 0,85 |
Таблица 8.1 – тепловое влияние автоматических выключателей, установленных рядом
Рассчитанный в первом пункте номинальный ток автомата нужно разделить на коэффицент согласно таблице и подобрать равный или ближайший больший из стандартного ряда.
Тепловое влияние выключателей друг на друга это не всё что может повлиять на точность выбора. Все характеристики приводятся и рассчитываются для температуры окружающей среды 30˚C. При нестандартных вариантах температурного использования или скажет при использовании жарким летом – стоит опираться на поправочный коэффициент, который приводит каждый из производителей к своим выключателям.
9. Пример поэтапного расчета
Рассмотрим пример подбора автоматического выключателя для группы из трех потребителей:
– микроволновка: 1150 Вт
– электрочайник: 2000 Вт
– посудомоечная машина: 2200 Вт
Суммарная мощность = 1150+2000+2200 = 5350 Вт
Коэффициент спроса = 0,75 (т.к. 3 устройства)
cos(phi) = 0,98 (потому что есть приборы с реактивным характером нагрузки)
Расчетная мощность этой группы = 0,75*5350 = 4013 Вт
Полная расчетная мощность = 4013/0,98 = 4095 ВА
Расчетный ток = 4095/220 = 18,61 A
Выбираем ближайший номинал из стандартного ряда и получаем автомат номиналом 20A.
Но! В розеточную группу нельзя ставить автоматы свыше 16 A, поэтому рекомендуется разделить на 2 группы.
В первую группу войдут чайник и микроволновка, так как они работают в основном короткое время и не перегрузят линию. В эту линию ставим автомат 16 A.
Во вторую группу войдёт посудомоечная машина, потому что она единственная из группы осуществляла длительную нагрузку на линию. Тут тоже автомат 16 A.
Простое руководство по выбору правильного алгоритма машинного обучения
Йогита Кинха, консультант и блоггер .
Что ж, на этот вопрос нет однозначного и однозначного ответа. Ответ зависит от многих факторов, таких как постановка задачи и тип выходных данных, которые вы хотите, тип и размер данных, доступное время вычислений, количество функций и наблюдений в данных, и это лишь некоторые из них.
Вот несколько важных соображений при выборе алгоритма.
1. Размер обучающих данных
Обычно рекомендуется собрать достаточный объем данных для получения надежных прогнозов. Однако зачастую доступность данных является ограничением. Итак, если обучающие данные меньше или если набор данных имеет меньшее количество наблюдений и большее количество функций, таких как генетика или текстовые данные, выбирайте алгоритмы с высоким смещением / низкой дисперсией, такие как линейная регрессия, наивный байесовский или линейный SVM.
Если обучающие данные достаточно велики и количество наблюдений больше по сравнению с количеством функций, можно использовать алгоритмы с низким смещением / высокой дисперсией, такие как KNN, деревья решений или ядро SVM.
2. Точность и / или интерпретируемость вывода
Точность модели означает, что функция предсказывает значение отклика для данного наблюдения, которое близко к истинному значению отклика для этого наблюдения. Легко интерпретируемый алгоритм (ограничительные модели, такие как линейная регрессия) означает, что можно легко понять, как любой отдельный предиктор связан с ответом, в то время как гибкие модели обеспечивают более высокую точность за счет низкой интерпретируемости.
Представление компромисса между точностью и интерпретируемостью с использованием различных методов статистического обучения. ( источник )
Некоторые алгоритмы называются ограничительными, потому что они создают небольшой диапазон форм функции сопоставления. Например, линейная регрессия – это ограничительный подход, потому что он может генерировать только линейные функции, такие как линии.
Некоторые алгоритмы называются гибкими, потому что они могут генерировать более широкий диапазон возможных форм функции отображения.Например, KNN с k = 1 очень гибок, поскольку он будет рассматривать каждую точку входных данных для генерации функции вывода отображения. На рисунке ниже показан компромисс между гибкими и ограничительными алгоритмами.
Представление компромисса между гибкостью и интерпретируемостью с использованием различных методов статистического обучения. ( источник )
Теперь, какой алгоритм использовать, зависит от цели бизнес-задачи.Если целью является вывод, то ограничительные модели лучше, поскольку они гораздо более интерпретируемы. Гибкие модели лучше, если целью является более высокая точность. Как правило, по мере увеличения гибкости метода его интерпретируемость снижается.
3. Скорость или время обучения
Более высокая точность обычно означает большее время обучения. Кроме того, алгоритмам требуется больше времени для обучения на больших обучающих данных. В реальных приложениях выбор алгоритма в основном определяется этими двумя факторами.
Такие алгоритмы, как Наивный Байес, Линейная и Логистическая регрессия, легко реализовать и быстро запустить. Алгоритмы, такие как SVM, которые включают настройку параметров, нейронные сети с высоким временем сходимости и случайные леса, требуют много времени для обучения данных.
4. Линейность
Многие алгоритмы работают в предположении, что классы могут быть разделены прямой линией (или ее многомерным аналогом). Примеры включают логистическую регрессию и машины опорных векторов.Алгоритмы линейной регрессии предполагают, что тенденции данных следуют прямой линии. Если данные линейны, то эти алгоритмы работают неплохо.
Однако не всегда данные являются линейными, поэтому нам требуются другие алгоритмы, которые могут обрабатывать многомерные и сложные структуры данных. Примеры включают ядро SVM, случайный лес, нейронные сети.
Лучший способ узнать линейность – это подобрать линейную линию или запустить логистическую регрессию или SVM и проверить остаточные ошибки.Более высокая ошибка означает, что данные не являются линейными, и для их согласования потребуются сложные алгоритмы.
5. Количество элементов
Набор данных может иметь большое количество функций, не все из которых актуальны и важны. Для определенного типа данных, например генетических или текстовых, количество функций может быть очень большим по сравнению с количеством точек данных.
Большое количество функций может затруднить работу некоторых алгоритмов обучения, что сделает обучение невероятно длинным.SVM лучше подходит для данных с большим пространством признаков и меньшим количеством наблюдений. Следует использовать методы PCA и выбора функций для уменьшения размерности и выбора важных функций.
Вот удобная шпаргалка по , в которой подробно описаны алгоритмы, которые можно использовать для различных типов задач машинного обучения.
источник
Как обсуждалось в моем предыдущем блоге, алгоритмы машинного обученияможно разделить на контролируемое, неконтролируемое и обучение с подкреплением.В этой статье вы узнаете, как пользоваться листом.
Шпаргалка в основном разделена на два типа обучения:
Алгоритмы контролируемого обучения используются, когда обучающие данные имеют выходные переменные, соответствующие входным переменным. Алгоритм анализирует входные данные и изучает функцию для отображения взаимосвязи между входными и выходными переменными.
Обучение с учителем можно разделить на регрессию, классификацию, прогнозирование и обнаружение аномалий.
Неконтролируемое обучение Алгоритмы используются, когда обучающие данные не имеют переменной ответа. Такие алгоритмы пытаются найти в данных внутренний паттерн и скрытые структуры. Алгоритмы кластеризации и уменьшения размерности – это типы алгоритмов обучения без учителя.
Инфографика ниже просто объясняет регрессию, классификацию, обнаружение аномалий и кластеризацию, а также примеры, где можно применить каждый из них.
источник
Основные моменты, которые следует учитывать при попытке решить новую проблему:
- Определите проблему.Какова цель проблемы?
- Изучите данные и ознакомьтесь с ними.
- Начните с базовых моделей, чтобы построить базовую модель, а затем попробуйте более сложные методы.
Сказав это, всегда помните, что « лучших данных часто лучше лучших алгоритмов », как обсуждалось в моем предыдущем блоге. Не менее важно разработать хорошие функции. Попробуйте несколько алгоритмов и сравните их производительность, чтобы выбрать лучший для вашей конкретной задачи.Кроме того, попробуйте методы ансамбля, поскольку они обычно обеспечивают гораздо лучшую точность.
Оригинал. Размещено с разрешения.
Связанный:
Знаете ли вы, как выбрать правильный алгоритм машинного обучения из 7 различных типов? | Зайд Алисса Алмалики
1-Классифицируйте проблему
Следующим шагом является категоризация проблемы.
Категоризация по вводу: Если это помеченные данные, это проблема контролируемого обучения.Если это немаркированные данные с целью поиска структуры, это проблема неконтролируемого обучения. Если решение подразумевает оптимизацию целевой функции путем взаимодействия с окружающей средой, это проблема обучения с подкреплением.
Категоризация по выходным данным: Если выходными данными модели является число, это проблема регрессии. Если выходом модели является класс, это проблема классификации. Если выход модели представляет собой набор входных групп, это проблема кластеризации.
2-Разбери свои данные
Данные сами по себе – не финальная игра, а скорее исходный материал для всего процесса анализа.Успешные компании не только собирают данные и имеют к ним доступ, но и могут получать информацию, которая способствует принятию более эффективных решений, что приводит к более качественному обслуживанию клиентов, конкурентной дифференциации и более высокому росту доходов. Процесс понимания данных играет ключевую роль в процессе выбора правильного алгоритма для правильной задачи. Некоторые алгоритмы могут работать с меньшими наборами образцов, в то время как другие требуют тонны и тонны образцов. Некоторые алгоритмы работают с категориальными данными, в то время как другие предпочитают работать с числовым вводом.
Анализ данных
На этом этапе есть две важные задачи: понимание данных с помощью описательной статистики и понимание данных с помощью визуализации и графиков.
Обработка данных
Компоненты обработки данных включают предварительную обработку, профилирование, очистку, часто также включает сбор данных из различных внутренних систем и внешних источников.
Преобразование данных
Традиционная идея преобразования данных из необработанного состояния в состояние, подходящее для моделирования, – это то, где подходит разработка функций.Фактически, преобразование данных и разработка функций могут быть синонимами. А вот определение последнего понятия. Разработка функций – это процесс преобразования необработанных данных в функции, которые лучше представляют основную проблему для прогнозных моделей, что приводит к повышению точности модели для невидимых данных. Автор Джейсон Браунли.
3-Найдите доступные алгоритмы
После классификации проблемы и понимания данных следующим этапом является определение алгоритмов, которые применимы и практичны для реализации в разумные сроки.Некоторые из элементов, влияющих на выбор модели:
- Точность модели.
- Интерпретируемость модели.
- Сложность модели.
- Масштабируемость модели.
- Сколько времени нужно, чтобы построить, обучить и испытать модель?
- Сколько времени нужно, чтобы делать прогнозы с помощью модели?
- Отвечает ли модель бизнес-цели?
4-Реализация алгоритмов машинного обучения.
Настройте конвейер машинного обучения, который сравнивает производительность каждого алгоритма в наборе данных с использованием набора тщательно выбранных критериев оценки. Другой подход – использовать один и тот же алгоритм для разных подгрупп наборов данных. Лучшее решение для этого – сделать это один раз или запустить службу, которая будет делать это через определенные промежутки времени при добавлении новых данных.
5-Оптимизация гиперпараметров. Есть три варианта оптимизации гиперпараметров, поиска по сетке, случайного поиска и байесовской оптимизации.
Типы задач машинного обучения
- Обучение с учителем
- Обучение без учителя
- Обучение с подкреплением
Обучение с учителем
Обучение с учителем так наз. научите алгоритм, к каким выводам он должен прийти. Для контролируемого обучения необходимо, чтобы возможные результаты работы алгоритма были уже известны и чтобы данные, используемые для обучения алгоритма, были помечены правильными ответами.Если на выходе получается действительное число, мы называем задачу регрессией. Если на выходе получается ограниченное количество значений, где эти значения неупорядочены, то это классификация.
Обучение без учителя
Машинное обучение без учителя более тесно связано с тем, что некоторые называют истинным искусственным интеллектом – идеей о том, что компьютер может научиться определять сложные процессы и закономерности без помощи человека, который будет руководить им. Меньше информации об объектах, в частности, поезд без надписи.Можно наблюдать некоторое сходство между группами объектов и включать их в соответствующие кластеры. Некоторые объекты могут сильно отличаться от всех кластеров, таким образом, эти объекты могут быть аномалиями.
Обучение с подкреплением
Обучение с подкреплением относится к целенаправленным алгоритмам, которые учат, как достичь сложной цели или максимизировать в определенном измерении на многих этапах. Например, увеличьте количество очков, набранных в игре за много ходов.Он отличается от контролируемого обучения тем, что при контролируемом обучении данные обучения имеют ролевой ключ, поэтому модель обучается с правильным ответом, тогда как при обучении с подкреплением ответа нет, но агент подкрепления решает, что делать с выполнить поставленную задачу. В отсутствие обучающего набора данных он обязательно извлечет уроки из своего опыта.
Обычно используемые алгоритмы машинного обучения
1-линейная регрессия
Линейная регрессия – это статистический метод, который позволяет суммировать и изучать отношения между двумя непрерывными (количественными) переменными: одна переменная, обозначенная X, рассматривается как независимая переменная.Другая переменная, обозначенная y, считается зависимой переменной. Линейная регрессия использует одну независимую переменную X для объяснения или прогнозирования результата зависимой переменной y, в то время как множественная регрессия использует две или более независимых переменных для прогнозирования результата в соответствии с функцией потерь, такой как среднеквадратичная ошибка (MSE) или средняя абсолютная ошибка ( МАЭ). Итак, всякий раз, когда вам предлагается спрогнозировать какое-то будущее значение процесса, который в настоящее время выполняется, вы можете использовать алгоритм регрессии .Несмотря на простоту этого алгоритма, он довольно хорошо работает, когда есть тысячи функций, например, набор слов или n-граммы при обработке естественного языка. Более сложные алгоритмы страдают от переобучения многих функций, а не огромных наборов данных, в то время как линейная регрессия обеспечивает достойное качество. Однако это нестабильно, если функции избыточны.
2-Логистическая регрессия
Не путайте эти алгоритмы классификации с методами регрессии для использования регрессии в названии.Логистическая регрессия выполняет двоичную классификацию, поэтому выходные данные меток являются двоичными. Мы также можем рассматривать логистическую регрессию как частный случай линейной регрессии, когда выходная переменная является категориальной, когда мы используем логарифм шансов в качестве зависимой переменной. Что удивительного в логистической регрессии? Он принимает линейную комбинацию функций и применяет к ней нелинейную функцию (сигмоид), так что это крошечный экземпляр нейронной сети!
3-К-средние
Допустим, у вас есть много точек данных (измерения фруктов), и вы хотите разделить их на две группы: яблоки и груши. K-means clustering – это алгоритм кластеризации, используемый для автоматического разделения большой группы на более мелкие группы.
Название происходит потому, что вы выбрали K групп в нашем примере K = 2. Вы берете среднее значение этих групп, чтобы повысить точность группы (среднее значение равно среднему, и вы делаете это несколько раз). Кластер – это просто еще одно название группы.
Допустим, у вас есть 13 точек данных, которые на самом деле представляют собой семь яблок и шесть груш (но вы этого не знаете), и вы хотите разделить их на две группы.В этом примере предположим, что все груши больше всех яблок. Вы выбираете две случайные точки данных в качестве начальной позиции. Затем вы сравниваете эти точки со всеми другими точками и выясняете, какая стартовая позиция ближе всего. Это ваш первый проход при кластеризации, и это самая медленная часть.
У вас есть начальные группы, но из-за того, что вы выбрали случайным образом, вы, вероятно, неточны. Допустим, у вас шесть яблок и одна груша в одной группе и два яблока и четыре груши в другой.Итак, вы берете среднее значение всех точек в одной группе, чтобы использовать ее в качестве новой отправной точки для этой группы, и делаете то же самое для другой группы. Затем вы снова выполняете кластеризацию, чтобы получить новые группы.
Успех! Поскольку среднее значение ближе к большей части каждой группы, при втором обходе вы получаете все яблоки в одной группе и все груши в другой. Как узнать, что все готово? Вы делаете среднее значение, снова выполняете группу и смотрите, изменились ли какие-либо баллы в группах. Ничего подобного, так что вы закончили.В противном случае вы бы пошли еще раз.
4-KNN
Сразу двое стремятся достичь разных целей. K-ближайших соседей – это алгоритм классификации, который является подмножеством контролируемого обучения. K-means – это алгоритм кластеризации, который представляет собой подмножество обучения без учителя.
Если у нас есть набор данных футболистов, их позиций и их измерений, и мы хотим назначить позиции футболистам в новом наборе данных, где у нас есть измерения, но нет позиций, мы можем использовать K-ближайших соседей.
С другой стороны, если у нас есть набор данных футболистов, которых необходимо сгруппировать в K отдельных групп на основе сходства, мы могли бы использовать K-средние. Соответственно, K в каждом случае тоже означает разное!
В K-ближайших соседях, K представляет количество соседей, которые имеют право голоса при определении позиции нового игрока. Посмотрите пример, где K = 5. Если у нас есть новый футболист, которому нужна позиция, мы берем пять футболистов в нашем наборе данных с измерениями, наиболее близкими к нашему новому футболисту, и заставляем их проголосовать за позицию, которую мы должны назначить новому игроку.
В K означает, что K означает количество кластеров, которые мы хотим получить в итоге. Если K = 7, у меня будет семь кластеров или отдельных групп футболистов после запуска алгоритма на моем наборе данных. В конце концов, это два разных алгоритма с двумя очень разными целями, но тот факт, что они оба используют K, может сбивать с толку.
5-опорные векторные машины
SVM использует гиперплоскости (прямые объекты) для разделения двух точек с разными обозначениями (X и O).Иногда точки не могут быть разделены прямыми предметами, поэтому необходимо сопоставить их с пространством более высоких измерений (используя ядра!), Где они могут быть разделены прямыми предметами (гиперплоскостями!). Это выглядит как извилистая линия на исходном пространстве, хотя на самом деле это прямая линия в пространстве гораздо большего измерения!
6-Random Forest
Допустим, мы хотим знать, когда инвестировать в Procter & Gamble, поэтому у нас есть три варианта покупки, продажи и удержания на основе нескольких данных за последний месяц, таких как цена открытия, цена закрытия и т. Д. изменение цены и объема
Представьте, что у вас много записей, 900 точек данных.
Мы хотим построить дерево решений, чтобы выбрать лучшую стратегию, например, если есть изменение в цене акции более чем на десять процентов выше, чем накануне, при большом объеме мы покупаем эту акцию. Но мы не знаем, какие функции использовать, у нас их много.
Итак, мы берем случайный набор мер и случайную выборку нашего обучающего набора и строим дерево решений. Затем мы делаем то же самое много раз, используя разные случайные наборы измерений и каждый раз случайную выборку данных. В конце концов, у нас есть много деревьев решений, мы используем каждое из них для прогнозирования цены, а затем принимаем окончательный прогноз на основе простого большинства.
7-нейронные сети
Нейронная сеть – это разновидность искусственного интеллекта. Основная идея нейронной сети состоит в том, чтобы моделировать множество плотно связанных между собой клеток мозга внутри компьютера, чтобы он мог учиться, распознавать закономерности и принимать решения по-человечески. Самое удивительное в нейронной сети то, что ей не нужно программировать ее для явного обучения: она обучается сама по себе, как мозг!
С одной стороны нейронной сети есть входы.Это может быть изображение, данные с дрона или состояние доски Go. С другой стороны, есть выходы того, что хочет делать нейронная сеть. Между ними есть узлы и связи между ними. Сила соединений определяет, какой выход требуется на основе входных данных.
Посетите наш бесплатный курс AWS с python на Udemy.
Спасибо за чтение. Если вам понравилась эта статья, не стесняйтесь нажимать кнопку подписки, чтобы мы могли оставаться на связи.
Выбор правильного алгоритма машинного обучения
Первоначально опубликовано Раджатом Харлалкой 16 июня 2018 г. 125 738 прочитаноМашинное обучение – это отчасти искусство, а отчасти наука. Когда вы смотрите на алгоритмы машинного обучения, не существует единого решения или единого подхода, который подошел бы всем. Есть несколько факторов, которые могут повлиять на ваше решение выбрать алгоритм машинного обучения.
Некоторые проблемы очень специфичны и требуют особого подхода. Например. Если вы посмотрите на рекомендательную систему, это очень распространенный тип алгоритма машинного обучения, который решает очень специфические проблемы.В то время как некоторые другие проблемы очень открыты и требуют подхода проб и ошибок. Обучение с учителем, классификация, регрессия и т. Д. Очень открыты. Их можно использовать для обнаружения аномалий или для построения более общих типов прогнозных моделей.
Кроме того, некоторые решения, которые мы принимаем при выборе алгоритма машинного обучения, не столько связаны с оптимизацией или техническими аспектами алгоритма, сколько с бизнес-решениями. Ниже мы рассмотрим некоторые факторы, которые могут помочь вам сузить круг поиска для вашего алгоритма машинного обучения.
Процесс обработки данных
Прежде чем вы начнете изучать различные алгоритмы машинного обучения, вам необходимо иметь четкое представление о ваших данных, вашей проблеме и ваших ограничениях.
Разберитесь с вашими данными
Тип и вид имеющихся у нас данных играет ключевую роль в принятии решения, какой алгоритм использовать. Некоторые алгоритмы могут работать с меньшими наборами образцов, в то время как другие требуют тонны и тонны образцов. Определенные алгоритмы работают с определенными типами данных. Например. Наивный байесовский метод хорошо работает с категориальным вводом, но совершенно не чувствителен к отсутствующим данным.
Следовательно, важно, чтобы вы:
Знали свои данные
- Просматривали сводную статистику и визуализации
- Процентили могут помочь определить диапазон для большинства данных
- Средние и медианы могут описать центральную тенденцию
- Корреляции могут указывать на сильные отношения
2. Визуализируйте данные
- Ящичковые диаграммы могут определять выбросы
- Графики плотности и гистограммы показывают разброс данных
- Точечные диаграммы могут описывать двумерные отношения
05 Очистите данные
- Обработать пропущенное значение.Отсутствие данных влияет на одни модели больше, чем на другие. Даже для моделей, которые обрабатывают отсутствующие данные, они могут быть чувствительны к ним (отсутствие данных для определенных переменных может привести к плохим прогнозам)
- Выберите, что делать с выбросами
- Выбросы могут быть очень распространены в многомерных данных.
- Некоторые модели менее чувствительны к выбросам, чем другие. Обычно древовидные модели менее чувствительны к наличию выбросов. Однако на регрессионные модели или любую модель, которая пытается использовать уравнения, определенно могут повлиять выбросы.
- Выбросы могут быть результатом неправильного сбора данных или могут быть допустимыми крайними значениями.
3. Нужно ли агрегировать данные
Дополните данные
- Разработка функций – это процесс перехода от необработанных данных к данным, готовым для моделирования. Он может служить нескольким целям:
- Упростить интерпретацию моделей (например, биннинг)
- Захват более сложных взаимосвязей (например, NN)
- Уменьшить избыточность данных и размерность (например.грамм. PCA)
- Перемасштабировать переменные (например, стандартизация или нормализация)
2. Различные модели могут иметь разные технические требования к функциям. Некоторые из них имеют встроенную конструкцию функций.
Отнесите проблему к категории
Следующим шагом является определение категории проблемы. Это двухэтапный процесс.
- Категоризация по вводу:
- Если вы пометили данные, это проблема контролируемого обучения.
- Если у вас есть немаркированные данные и вы хотите найти структуру, это проблема неконтролируемого обучения.
- Если вы хотите оптимизировать целевую функцию, взаимодействуя с окружающей средой, это проблема обучения с подкреплением.
2. Классифицируйте по выходу.
- Если результат вашей модели – число, это проблема регрессии.
- Если результатом вашей модели является класс, это проблема классификации.
- Если выходные данные вашей модели представляют собой набор входных групп, это проблема кластеризации.
- Вы хотите обнаружить аномалию? Это обнаружение аномалии
Поймите свои ограничения
- Какова емкость вашего хранилища данных? В зависимости от емкости хранилища вашей системы вы не сможете хранить гигабайты моделей классификации / регрессии или гигабайты данных для кластеризации.Так обстоит дело, например, со встроенными системами.
- Должен ли прогноз быть быстрым? Очевидно, что в приложениях реального времени очень важно делать прогнозы как можно быстрее. Например, при автономном вождении важно, чтобы классификация дорожных знаков производилась как можно быстрее, чтобы избежать несчастных случаев.
- Должно ли обучение быть быстрым? В некоторых случаях требуется быстрое обучение моделей: иногда вам нужно быстро обновить модель на лету с другим набором данных.
Найдите доступные алгоритмы
Теперь, когда вы четко понимаете, где вы находитесь, вы можете определить алгоритмы, которые применимы и практичны для реализации с использованием имеющихся в вашем распоряжении инструментов. Некоторые из факторов, влияющих на выбор модели:
- Соответствует ли модель бизнес-целям
- Сколько предварительной обработки требуется модели
- Насколько точна модель
- Насколько объяснима модель
- Насколько быстро модель: сколько времени нужно, чтобы построить модель, и сколько времени требуется модели, чтобы делать прогнозы.
- Насколько масштабируема модель
Важным критерием, влияющим на выбор алгоритма, является сложность модели. Вообще говоря, более сложная модель:
- Она полагается на большее количество функций для изучения и прогнозирования (например, с использованием двух функций против десяти функций для прогнозирования цели)
- Она полагается на более сложную разработку функций (например, с использованием полиномиальных членов, взаимодействий или главных компонентов)
- Он имеет больше вычислительных накладных расходов (например, одно дерево решений vs.случайный лес из 100 деревьев).
Кроме того, тот же алгоритм машинного обучения можно сделать более сложным на основе количества параметров или выбора некоторых гиперпараметров. Например,
- Модель регрессии может иметь больше функций или полиномиальных членов и условий взаимодействия.
- Дерево решений может иметь большую или меньшую глубину.
Усложнение того же алгоритма увеличивает вероятность переобучения.
(Преодоление барьеров для производственных процессов машинного обучения)
Часто используемые алгоритмы машинного обучения
Линейная регрессия
Это, вероятно, самые простые алгоритмы машинного обучения.Алгоритмы регрессии могут использоваться, например, когда вы хотите вычислить некоторое непрерывное значение по сравнению с классификацией, где выходные данные являются категориальными. Поэтому всякий раз, когда вам говорят предсказать какое-то будущее значение процесса, который в настоящее время выполняется, вы можете использовать алгоритм регрессии. Однако линейная регрессия нестабильна в случае избыточности функций, например, при мультиколлинеарности
Вот несколько примеров, где можно использовать линейную регрессию:
- Время перейти из одного места в другое
- Прогнозирование продаж определенного продукта в следующем месяце содержание алкоголя в крови при согласовании
- Прогнозирование ежемесячных продаж подарочных карт и улучшение годовых прогнозов выручки
Логистическая регрессия
Логистическая регрессия выполняет двоичную классификацию, поэтому выходные данные ярлыков являются двоичными.Он принимает линейную комбинацию функций и применяет к ней нелинейную функцию (сигмоид), так что это очень маленький экземпляр нейронной сети.
Логистическая регрессия предоставляет множество способов упорядочить вашу модель, и вам не нужно так сильно беспокоиться о корреляции ваших функций, как в случае с наивным байесовским методом. У вас также есть хорошая вероятностная интерпретация, и вы можете легко обновить свою модель, чтобы принять новые данные, в отличие от деревьев решений или SVM. Используйте его, если вам нужна вероятностная структура или если вы ожидаете получить больше обучающих данных в будущем, которые вы хотите быстро включить в свою модель.Логистическая регрессия также может помочь вам понять факторы, влияющие на прогноз, и это не просто метод черного ящика.
Логистическая регрессия может использоваться в следующих случаях:
- Прогнозирование оттока клиентов
- Кредитный скоринг и обнаружение мошенничества
- Измерение эффективности маркетинговых кампаний
Деревья решений
Отдельные деревья используются очень редко, но в В сочетании со многими другими они создают очень эффективные алгоритмы, такие как Random Forest или Gradient Tree Boosting.
Деревья решений легко обрабатывают взаимодействия функций и являются непараметрическими, поэтому вам не нужно беспокоиться о выбросах или о том, являются ли данные линейно разделимыми. Одним из недостатков является то, что они не поддерживают онлайн-обучение, поэтому вам придется перестраивать свое дерево, когда появляются новые примеры. Другим недостатком является то, что они легко переоснащаются, но именно здесь на помощь приходят ансамблевые методы, такие как случайные леса (или усиленные деревья). Деревья решений также могут занимать много памяти (чем больше у вас функций, тем глубже и крупнее ваше дерево решений, вероятно, be)
Деревья – отличный инструмент, который поможет вам выбрать один из нескольких вариантов действий.
- Инвестиционные решения
- Отток клиентов
- Банки, не выполняющие ссуды
- Решения о строительстве и покупке
- Квалификация потенциальных клиентов
K-means
Иногда вы не знаете никаких ярлыков, и ваша цель – присвоить ярлыки в соответствии с особенности предметов. Это называется задачей кластеризации. Алгоритмы кластеризации можно использовать, например, когда существует большая группа пользователей, и вы хотите разделить их на определенные группы на основе некоторых общих атрибутов.
Если в постановке задачи есть вопросы вроде того, как это организовано, группируется или концентрируется на определенных группах и т. Д., Тогда вам следует перейти к кластеризации.
Самый большой недостаток состоит в том, что K-Means необходимо заранее знать, сколько кластеров будет в ваших данных, поэтому может потребоваться много попыток, чтобы «угадать» наилучшее количество K кластеров для определения.
Анализ главных компонентов (PCA)
Анализ главных компонентов обеспечивает снижение размерности.Иногда у вас есть широкий спектр функций, вероятно, сильно коррелированных между собой, и модели могут легко переобучиться на огромном количестве данных. Затем вы можете применить PCA.
Одним из ключей к успеху PCA является то, что в дополнение к низкоразмерному представлению выборки он обеспечивает синхронизированное низкоразмерное представление переменных. Синхронизированные представления выборки и переменных позволяют визуально находить переменные, которые характерны для группы выборок.
Машины опорных векторов
Машины опорных векторов (SVM) – это метод машинного обучения с учителем, который широко используется в задачах распознавания образов и классификации – когда ваши данные имеют ровно два класса.
Высокая точность, хорошие теоретические гарантии относительно переобучения, и с соответствующим ядром они могут работать хорошо, даже если ваши данные не разделены линейно в пространстве базовых функций. Особенно популярен в задачах классификации текста, где нормой являются очень многомерные пространства.Однако SVM интенсивно используют память, их трудно интерпретировать и сложно настраивать.
SVM можно использовать в реальных приложениях, таких как:
- обнаружение людей с распространенными заболеваниями, такими как диабет
- распознавание рукописных символов
- категоризация текста – новостные статьи по темам
- прогноз цен на фондовом рынке
Наивный Байес
Это метод классификации, основанный на теореме Байеса, очень простой в построении и особенно полезен для очень больших наборов данных.Известно, что наивный байесовский метод не только прост, но и превосходит даже самые сложные методы классификации. Наивный байесовский метод также является хорошим выбором, когда ресурсы ЦП и памяти являются ограничивающим фактором.
Наивный байесовский метод очень прост, вы просто делаете несколько подсчетов. Если предположение об условной независимости NB действительно выполняется, наивный байесовский классификатор будет сходиться быстрее, чем дискриминационные модели, такие как логистическая регрессия, поэтому вам потребуется меньше данных для обучения. И даже если допущение NB не выполняется, классификатор NB все равно часто отлично работает на практике.Хорошая ставка, если нужно что-то быстрое и простое, которое работает довольно хорошо. Его главный недостаток в том, что он не может изучить взаимодействие между функциями.
Наивный байесовский метод можно использовать в реальных приложениях, таких как:
- Анализ тональности и классификация текста
- Системы рекомендаций, такие как Netflix, Amazon
- Чтобы пометить письмо как спам или не спам
- Распознавание лиц
Произвольно Лес
Случайный лес – это совокупность деревьев решений.Он может решить проблемы как регрессии, так и классификации с большими наборами данных. Это также помогает идентифицировать наиболее значимые переменные из тысяч входных переменных. Random Forest хорошо масштабируется до любого количества измерений и в целом имеет вполне приемлемую производительность. Наконец, существуют генетические алгоритмы, которые превосходно масштабируются для любого измерения и любых данных с минимальным знанием самих данных, причем наиболее минимальной и простой реализацией является генетический алгоритм микробов.Однако со случайным лесом обучение может быть медленным (в зависимости от параметризации), и невозможно итеративно улучшать сгенерированные модели
Случайный лес можно использовать в реальных приложениях, таких как:
- Прогнозирование пациентов с высоким риском
- Прогнозирование отказов деталей на производстве
- Прогнозирование неплательщиков кредитов
Нейронные сети
Нейронные сети учитывают веса связей между нейронами. Веса сбалансированы, точка данных обучения следует за точкой данных обучения.Когда все веса обучены, нейронная сеть может использоваться для прогнозирования класса или количества, если должно возникнуть возникновение регрессии новой точки входных данных. С помощью нейронных сетей можно обучать чрезвычайно сложные модели, и их можно использовать как своего рода черный ящик, не разыгрывая непредсказуемую сложную конструкцию функций перед обучением модели. В сочетании с «глубоким подходом» можно подобрать еще более непредсказуемые модели, чтобы реализовать новые возможности. Например. Распознавание объектов в последнее время значительно улучшилось с использованием глубоких нейронных сетей.Применительно к неконтролируемым учебным задачам, таким как извлечение функций, глубокое обучение также извлекает элементы из необработанных изображений или речи с гораздо меньшим вмешательством человека.
С другой стороны, нейронные сети очень трудно просто прояснить, а параметризация чрезвычайно ошеломляет. Они также очень ресурсоемки и требуют большого объема памяти.
Шпаргалка по Scikit
Изучение Scikit предоставило очень подробную и хорошо объясненную блок-схему, которая поможет вам выбрать правильный алгоритм, который я считаю очень удобным.
(http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html)
Заключение
Вообще говоря, вы можете использовать приведенные выше пункты, чтобы составить краткий список нескольких алгоритмов, но это трудно понять прямо на начните, какой алгоритм будет работать лучше всего. Обычно лучше работать итеративно. Среди алгоритмов машинного обучения, которые вы определили как потенциально хорошие подходы, добавьте в них свои данные, запустите их все либо параллельно, либо последовательно, и в конце оцените производительность алгоритмов, чтобы выбрать лучший (-ые).
И, наконец, разработка правильного решения реальной жизненной проблемы редко бывает просто проблемой прикладной математики. Это требует знания требований бизнеса, правил и положений, проблем заинтересованных сторон, а также значительного опыта. При решении машинной проблемы решающее значение имеет возможность комбинировать и уравновешивать их; те, кто может это сделать, могут создать наибольшую ценность.
Похожие истории
Теги
Присоединяйтесь к хакеру ПолденьСоздайте бесплатную учетную запись, чтобы разблокировать свой собственный опыт чтения.
Как выбрать подходящую машину и поставщика
Когда приходит время покупать оборудование для автоматизации делопроизводства, выбор подходящего дилера так же важен, как и выбор подходящей машины. Фактически, правильный дилер – это тот, кто позаботится о том, чтобы вы приобрели именно то, что вам нужно, поэтому можно утверждать, что это еще более важно в вашем тяжелом положении для автоматизации делопроизводства.
Не знаете, что нужно учитывать при выборе подходящего для вас дилера? Вот несколько советов, которые помогут вам найти дилера, который удовлетворит ваши потребности:
____________________________________________________________________________
Познакомьтесь с дилером
При обращении к дилеру задавайте вопросы.Познакомьтесь с торговым представителем, командой и представительством. Познакомьтесь с владельцами компании. Узнайте, как долго они занимаются бизнесом. Это местная компания? Если да, то с их помощью вы можете внести свой вклад в местную экономику. Также узнайте о миссии дилера. Если их идеи не совпадают с вашими, вам, возможно, будет трудно согласиться друг с другом при ведении совместного бизнеса.
Познакомьтесь с отделом продаж
Торговые представители будут вашим прямым контактом с дилером, поэтому важно найти представителя, которому вы доверяете.Поговорите с представителями в индивидуальном порядке и узнайте, как долго они работают в сфере автоматизации делопроизводства, как долго они работают в дилерском центре, и спросите об их отношениях с другими клиентами. Если это звучит как собеседование с будущим сотрудником, вы все делаете правильно. Этот человек будет работать с вами долгие годы, и вам нужны успешные рабочие отношения.
Посетить дилерский центр
Выбрать дилерский центр по телефону или через Интернет невозможно.Сначала исследуйте дилерский центр в Интернете. Позвоните им заранее и задайте как можно больше вопросов, прежде чем приехать. Но, в конце концов, вы должны посетить учреждение. Посещение дилерского центра подтвердит, подходят ли они вам – если он достаточно мал, чтобы ценить вас как клиента, но достаточно велик, чтобы иметь репутацию и удовлетворить все ваши потребности в автоматизации офиса.
Ознакомьтесь с линейкой продуктов
Возможно, вы уже имеете в виду некоторые продукты, поэтому узнайте, является ли дилерский центр перевозчиком этой марки.Если вы не имеете в виду бренд, узнайте его линейку продуктов и проведите собственное исследование. Есть ли у них бренды и продукты, которые будут эффективны для ваших нужд? Вы можете устранить дилеров, которые не могут удовлетворить ваши потребности в автоматизации офиса, просто убедившись, что они продают продукты, которые принесут пользу вашей компании.
Сроки обслуживания
Оргтехника выходит из строя. У вас никогда не будет оборудования, которое не требует обслуживания. При этом важно время обслуживания.Когда оборудование ломается, производительность падает. Узнайте, сколько времени у дилера обычно оборачивается для обслуживания, и можно ли договориться об обслуживании в соответствии с вашими потребностями.
Поговорите с другими клиентами
Важно проверять ссылки. У дилеров не должно быть проблем с рекомендациями других клиентов. Поговорите с этими покупателями и узнайте, почему они выбрали этот дилерский центр и каковы были их впечатления.
Как выбрать правильный алгоритм машинного обучения
Для любой конкретной задачи машинного обучения можно применить множество алгоритмов и создать несколько моделей.Например, проблема классификации обнаружения спама может быть решена с использованием различных моделей, включая наивный байес, логистическую регрессию и методы глубокого обучения, такие как BiLSTM.
Наличие множества опций – это хорошо, но решающее значение имеет выбор модели для производства. Хотя у нас есть ряд показателей производительности для оценки модели, неразумно реализовывать каждый алгоритм для каждой проблемы. Это требует много времени и много работы. Поэтому важно знать, как выбрать правильный алгоритм для конкретной задачи.
В этой статье мы рассмотрим факторы, которые помогут вам выбрать алгоритм, наиболее подходящий для вашего проекта и конкретных бизнес-требований. Мы сделаем это, изучив множество факторов, которые помогут вам уточнить свой выбор. Понимание этих факторов поможет вам понять задачу, которую будет выполнять ваша модель, и сложность вашей проблемы.
Вот наш список факторов, которые следует учитывать при реализации алгоритма:
- Интерпретируемость
- Количество точек данных и функций
- Формат данных
- Линейность данных
- Время обучения
- Время прогнозирования
- Требования к памяти
Давайте подробнее рассмотрим ниже!
Интерпретируемость
Когда мы говорим об интерпретируемости алгоритма, мы говорим о его способности объяснять свои прогнозы.Алгоритм, в котором отсутствует такое объяснение, называется алгоритмом черного ящика .
Алгоритмы, такие как k-ближайший сосед (KNN), имеют высокую интерпретируемость благодаря важности признаков. А такие алгоритмы, как линейные модели, можно интерпретировать через веса, присвоенные функциям. Знание того, насколько интерпретируемым является алгоритм, становится важным, когда вы думаете о том, что в конечном итоге будет делать ваша модель машинного обучения.
Для задач классификации, таких как обнаружение раковых клеток или оценка кредитного риска по жилищным займам, необходимо понимать причину результатов системы.Недостаточно просто получить прогноз, потому что нам нужно уметь его оценить. И даже если прогноз верен, совершенно необходимо, чтобы мы понимали процессы, которые приводят к этим прогнозам.
Если понимание причины ваших результатов является требованием для решения вашей проблемы, необходимо соответственно выбрать подходящий алгоритм.
Количество точек данных и функций
При выборе подходящего алгоритма машинного обучения количество точек данных и функций играет важную роль.В зависимости от варианта использования модели машинного обучения будут работать с множеством различных наборов данных, и эти наборы данных будут различаться с точки зрения их точек данных и функций. В некоторых случаях выбор модели сводится к пониманию того, как модель обрабатывает наборы данных разного размера.
Алгоритмы, такие как нейронные сети, хорошо работают с массивными данными и большим количеством функций. Но некоторые алгоритмы, такие как Support Vector Machine (SVM), работают с ограниченным количеством функций. При выборе алгоритма обязательно учитывайте размер данных и количество функций.
Формат данных
Данные часто поступают из сочетания ресурсов данных с открытым исходным кодом и пользовательских ресурсов, поэтому они также могут иметь множество различных форматов. Наиболее распространенные форматы данных – категориальные и числовые. Любой данный набор данных может содержать только категориальные данные, только числовые данные или их комбинацию.
Данные представлены во всех форматах.Алгоритмы могут работать только с числовыми данными, поэтому, если ваши данные являются категориальными или иными не числовыми по формату, вам нужно будет рассмотреть процесс их преобразования в числовые данные.
Линейность данных
Понимание линейности данных является необходимым шагом перед выбором модели. Определение линейности данных помогает определить форму границы решения или линии регрессии, которая, в свою очередь, направляет нас к моделям, которые мы можем использовать.
Некоторые отношения, такие как рост-вес, могут быть представлены линейной функцией, что означает, что по мере того, как одно увеличивается, другое обычно увеличивается с тем же значением. Такие отношения можно представить с помощью линейной модели.
Понимание линейности данных через диаграмму рассеянияЗнание этого поможет вам выбрать подходящий алгоритм машинного обучения. Если данные почти линейно разделимы или могут быть представлены с использованием линейной модели, хорошим выбором будут такие алгоритмы, как SVM, линейная регрессия или логистическая регрессия. В противном случае можно использовать глубокие нейронные сети или ансамблевые модели.
Время обучения
Время обучения – это время, затрачиваемое алгоритмом на изучение и создание модели.В случаях использования, таких как рекомендации фильмов для определенного пользователя, данные необходимо обучать каждый раз, когда пользователь входит в систему. Но для таких случаев, как прогнозирование запасов, модель необходимо обучать каждую секунду. Поэтому очень важно учитывать время, необходимое для обучения модели.
Нейронные сети известны тем, что им требуется значительное количество времени для обучения модели. Традиционные машинные алгоритмы, такие как K-ближайших соседей и логистическая регрессия, занимают гораздо меньше времени. Некоторые алгоритмы, такие как Random Forest, требуют разного времени обучения в зависимости от используемых ядер ЦП.
Время прогнозирования
Время прогнозирования – это время, которое требуется модели, чтобы сделать свои прогнозы. Для интернет-компаний, чьи продукты часто представляют собой поисковые системы или розничные онлайн-магазины, быстрое время прогнозирования является ключом к плавному взаимодействию с пользователем. В этих случаях, поскольку скорость очень важна, даже алгоритм с хорошими результатами бесполезен, если он слишком медленный при прогнозировании.
Однако стоит отметить, что существуют бизнес-требования, в которых точность важнее времени прогнозирования.Это верно в таких случаях, как пример раковой клетки, который мы подняли ранее, или при обнаружении мошеннических транзакций.
Алгоритмы, такие как SVM, линейная регрессия, логистическая регрессия и несколько типов нейронных сетей, могут делать быстрые прогнозы. Однако такие алгоритмы, как KNN и ансамблевые модели, часто требуют больше времени, чтобы сделать свои прогнозы.
Требования к памяти
Если весь ваш набор данных может быть загружен в оперативную память вашего сервера или компьютера, вы можете применить огромное количество алгоритмов.Однако, когда это невозможно, вам может потребоваться внедрение алгоритмов инкрементального обучения.
Инкрементное обучение – это метод машинного обучения, при котором входные данные постоянно используются для расширения знаний существующей модели, то есть для дальнейшего обучения модели. Алгоритмы инкрементального обучения нацелены на адаптацию к новым данным, не забывая при этом существующие знания, поэтому вам не нужно переобучать модель.
В заключение
Производительность может показаться наиболее очевидным показателем при выборе алгоритма для задачи машинного обучения.Однако одной только производительности недостаточно, чтобы помочь вам выбрать лучший алгоритм для работы. Ваша модель должна удовлетворять дополнительным критериям, таким как требования к памяти, время обучения и прогнозирования, интерпретируемость и формат данных. Включив более широкий спектр факторов, вы сможете принять более уверенное решение.
Если вам сложно выбрать лучший алгоритм для ваших данных среди пары выбранных моделей, один из популярных методов выбора модели – проверить их на вашем наборе данных проверки.Это даст вам метрики, по которым вы сможете сравнить каждую модель и принять окончательное решение.
Анализ стоит усилийПри принятии решения о внедрении модели машинного обучения выбор правильной модели означает анализ ваших потребностей и ожидаемых результатов. Хотя это может занять немного больше времени и усилий, окупаемость – более высокая точность и улучшенная производительность.
Не забудьте проверить соответствующие ресурсы ниже, чтобы найти больше технических статей Рамии, и подпишитесь на информационный бюллетень Lionbridge AI, чтобы получать интервью и статьи, доставляемые прямо на ваш почтовый ящик.
Как выбрать лучший алгоритм машинного обучения для конкретной задачи?
Как узнать, какой алгоритм машинного обучения выбрать для вашей задачи? Почему бы нам не попробовать все алгоритмы машинного обучения или некоторые из алгоритмов, которые, по нашему мнению, дадут хорошую точность. Если мы применим каждый алгоритм, это займет много времени. Итак, лучше применить технику для определения алгоритма, который можно использовать.
Выбор правильного алгоритма связан с постановкой задачи.Это может сэкономить и деньги, и время. Итак, важно знать, с какой проблемой мы имеем дело.
В этой статье мы обсудим ключевые методы, которые можно использовать для выбора правильного машинного алгоритма в конкретной работе. В этой статье мы обсудим, как мы можем решить, какую модель машинного обучения использовать при построении графиков свойств набора данных. Мы также обсудим, как размер набора данных может иметь важное значение при выборе алгоритма машинного обучения.
Получение первого набора данныхНабор данных взят из Kaggle, вы можете найти его здесь. В нем содержится информация о пациенте с диабетом и о том, будет ли у каждого пациента начало диабета. В нем 9 столбцов и 767 строк. В строках и столбцах представлены номера и сведения о пациентах.
Методы выбора правильного алгоритма машинного обучения 1. Визуализация данныхПрактическое значение:
Прежде всего, импортируем необходимые библиотеки.
# Импорт библиотек импортировать панд как pd импортировать numpy как np импортировать matplotlib.pyplot как plt импортировать seaborn as sb
После этого мы продолжим чтение файла csv.
df = pd.read_csv ("Diabetes.csv") df.head (5)Метод парного построения
Применяя парный график, мы сможем понять, какой алгоритм выбрать.
#PairPlot, чтобы выбрать правильный алгоритм sb.pairplot (data = df [['Глюкоза', 'Давление крови', 'Толщина кожи', 'Результат']], оттенок = 'Результат', dropna = True, height = 3)
Из графика видно, что точки данных сильно перекрываются.KNN следует предпочесть, поскольку он работает по принципу евклидова расстояния. В случае, если KNN не работает в соответствии с ожиданиями, мы можем использовать алгоритм дерева решений или случайного леса.
Дерево решений или случайный лес работает по принципу нелинейной классификации. Мы можем использовать его, если некоторые точки данных перекрываются друг с другом.
Многие алгоритмы работают в предположении, что классы могут быть разделены прямой линией. В таких случаях следует предпочесть логистическую регрессию или машину опорных векторов.Он легко разделяет точки данных, рисуя линию, разделяющую целевой класс. Алгоритмы линейной регрессии предполагают, что тенденции данных следуют прямой линии. Эти алгоритмы хорошо работают в данном случае.
2. Размер обучающих данных и время обученияИмпортируйте различные классификаторы алгоритмов, чтобы проверить время обучения малых и больших наборов данных.
# Импорт библиотек Sklearn from sklearn.tree import DecisionTreeClassifier # Импортировать классификатор дерева решений из склеарна.model_selection import train_test_split # Импортируйте функцию train_test_split from sklearn import metrics #Import scikit-learn metrics модуль для расчета точности
# Сохранить независимую и зависимую переменную feature = ['Беременность', 'Глюкоза', 'Кровяное давление', 'Толщина кожи', 'Инсулин', 'ИМТ', 'DiabetesPedigreeFunction', 'Возраст'] X = df [feature] # функции y = df ["Результат"]
Разделите данные на обучающие и тестовые. Теперь мы можем продолжить, применив алгоритмы дерева решений, логистической регрессии, случайного леса и машины опорных векторов, чтобы проверить время обучения для задачи классификации.
# Поезд-тест Split X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0,3, random_state = 1)
Теперь мы поместим несколько моделей машинного обучения в этот набор данных и проверим время обучения, затрачиваемое этими моделями.
Смотрите также Дерево решений# Создать объект классификатора дерева решений время импорта clf = DecisionTreeClassifier () # Обучить классификатор дерева решений start = time.time () clf = clf.fit (X_train, y_train) stop = time.time () print (f "Время обучения: {стоп - начало} с")Логистическая регрессия
# Импорт библиотеки sklearn из склеарна.linear_model импорт LogisticRegression время импорта clf = логистическая регрессия (random_state = 0) start = time.time () clf.fit (X_train, y_train) stop = time.time () print (f "Время обучения: {стоп - начало} с")Случайный лес
# Создать RandomForestClassifier из sklearn.ensemble импортировать RandomForestClassifier clf = RandomForestClassifier (n_estimators = 100) start = time.time () # Обучаем модель с помощью обучающих наборов y_pred = clf.predict (X_test) clf.fit (X_train, y_train) стоп = время.время() print (f "Время обучения: {стоп - начало} с")Машина опорных векторов
# Классификатор опорных векторов из sklearn.svm импортировать SVC clf = SVC (ядро = 'линейный') start = time.time () # подбираем образцы x и классы y clf.fit (X_train, y_train) stop = time.time () print (f "Время обучения: {стоп - начало} с")
Из приведенных выше результатов можно сделать вывод, что деревья решений займут гораздо меньше времени, чем все алгоритмы для небольшого набора данных. Следовательно, рекомендуется использовать классификатор с низким смещением / высокой дисперсией, например, дерево решений.
Получение второго набора данныхНабор данных взят из Kaggle, вы можете найти его здесь. В нем есть информация о мошенничестве с кредитными картами, которое произошло за два дня. Класс функций – это целевая переменная, которая принимает 1 в случае мошенничества и 0 в противном случае. Он имеет 284807 строк и 31 столбец.
# Прочитать csv файл df = pd.read_csv ("creditcard.csv") df.head (5) X = df.iloc [:, 0: -1] y = df.iloc [:, - 1]
# Поезд-тест Сплит
X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0.3, random_state = 1)
Теперь снова, во втором наборе данных, мы подгоним вышеупомянутые модели машинного обучения к этому набору данных и проверим время обучения, затрачиваемое этими моделями.
Дерево решений# Создать объект классификатора дерева решений время импорта clf = DecisionTreeClassifier () # Обучить классификатор дерева решений start = time.time () clf = clf.fit (X_train, y_train) stop = time.time () print (f "Время обучения: {стоп - начало} с")Логистическая регрессия
# Классификатор логистической регрессии из склеарна.linear_model импорт LogisticRegression время импорта classifier = LogisticRegression (random_state = 0) start = time.time () classifier.fit (X_train, y_train) stop = time.time () print (f "Время обучения: {стоп - начало} с")Случайный лес
# Создание классификатора RandomForest из sklearn.ensemble импортировать RandomForestClassifier clf = RandomForestClassifier (n_estimators = 100) start = time.time () # Обучаем модель с помощью обучающих наборов y_pred = clf.predict (X_test) clf.fit (X_train, y_train) стоп = время.время() print (f "Время обучения: {стоп - начало} с")Машина опорных векторов
# Поддержка векторного классификатора из sklearn.svm импортировать SVC clf = SVC (ядро = 'линейный') start = time.time () # подбираем образцы x и классы y clf.fit (X_train, y_train) stop = time.time () print (f "Время обучения: {стоп - начало} с")
По мере того, как глубина размера набора данных в Decision Tree растет, оно реализует несколько операторов if-else, которые увеличивают сложность и время. И Random Forest, и Xgboost используют алгоритм дерева решений, который требует больше времени.Результат показывает, что логистическая регрессия превосходит другие.
Последние мыслиЯ завершил свой анализ и выбрал правильный алгоритм машинного обучения. Кроме того, всегда рекомендуется использовать два алгоритма для решения постановки задачи. Это могло бы стать хорошим ориентиром для аудитории.
Присоединяйтесь к нашей группе Telegram. Станьте частью интересного онлайн-сообщества. Присоединиться здесь.
Подпишитесь на нашу рассылку новостей
Получайте последние обновления и актуальные предложения, поделившись своей электронной почтой.Как выбрать метод машинного обучения
Почему существует так много методов машинного обучения? Дело в том, что разные алгоритмы решают разные задачи. Результат, который вы получите, напрямую зависит от выбранной вами модели. Вот почему так важно знать, как согласовать алгоритм машинного обучения с конкретной задачей.
В этом посте мы и поговорим именно об этом. Давайте начнем.
Разнообразие техник машинного обучения
Прежде всего, чтобы выбрать алгоритм для вашего проекта, вам нужно знать, какие из них существуют.Давайте освежим ваши знания о различных классификациях.
Алгоритмы сгруппированы по стилю обучения
Алгоритмы можно сгруппировать по стилю обучения.
Обучение с учителем
В случае обучения с учителем машинам нужен «учитель», который «обучает» их. В этом случае специалист по машинному обучению собирает набор данных и маркирует его. Затем им нужно передать обучающий набор и правила машине. Следующий шаг – посмотреть, как машина справляется с обработкой данных тестирования.Если есть какие-то ошибки, программист исправляет их и повторяет действие до тех пор, пока алгоритм не сработает точно.
Обучение без учителя
Этот тип машинного обучения не требует преподавателя. Компьютеру предоставляется набор немаркированных данных. Предполагается, что он сам находит закономерности и дает идеи. Люди могут немного направлять машину в процессе, также предоставляя набор помеченных данных для обучения. В этом случае это называется полу-контролируемым обучением.
Обучение с подкреплением
Обучение с подкреплением происходит в среде, где компьютер должен работать. Окружающая среда действует как учитель, обеспечивая машине положительную или отрицательную обратную связь, которая называется подкреплением.
Вы можете найти более подробное объяснение этих методов в нашем посте о разнице между ИИ и машинным обучением.
Методы машинного обучения, сгруппированные по типу проблемы
Другой способ разделить методы на группы основан на задачах, которые они решают.
В этом разделе мы поговорим о классификации, регрессии, оптимизации и других группах алгоритмов. Мы также собираемся взглянуть на их использование в промышленности. Для получения более подробной информации обо всех распространенных алгоритмах машинного обучения ознакомьтесь с нашим постом о классификации алгоритмов машинного обучения.
Общие алгоритмы
Вот самые популярные алгоритмы машинного обучения. Иногда они принадлежат к нескольким группам, потому что эффективно решают более одной проблемы.
- Логистическая регрессия,
- Линейная регрессия
- Дерево решений
- СВМ
- Наивный Байес
- к-НН
- К-средние
- Нейронные сети
- Случайный лес
- Алгоритмы уменьшения размерности
- Алгоритмы повышения градиента
Чтобы помочь вам сориентироваться в посте, используйте эту картинку. В нем есть общие алгоритмы, о которых мы поговорим в этом посте.
Классификация
Классификация помогает нам решать широкий круг задач.Это позволяет нам принимать более обоснованные решения, разбираться со спамом, прогнозировать, вернет ли заемщик ссуду, или отмечать друзей на фотографии в Facebook.
Эти алгоритмы предсказывают метки дискретных переменных. Дискретная переменная имеет счетное число возможных значений и может быть классифицирована. Точность прогноза зависит от выбранной вами модели.
Представьте, что вы разрабатываете алгоритм, который предсказывает, болен ли человек раком. В этом случае выбранная вами модель должна очень точно предсказывать результат.
Типичными алгоритмами классификации являются логистическая регрессия, наивный байесовский алгоритм и SVM. Более подробную информацию о них и других алгоритмах вы можете найти в нашем блоге.
Кластеризация
Иногда вам нужно разделить вещи на категории, но вы не знаете, что это за категории. Классификация использует предопределенные классы для присвоения объектам. С другой стороны, кластеризация позволяет выявить сходства между объектами, а затем сгруппировать их по общим характеристикам.Это механизм, который лежит в основе обнаружения мошенничества, анализа документов, группировки клиентов и многого другого. Кластеризация широко используется в продажах и маркетинге для сегментации клиентов и персонализированного общения.
K-NN, кластеризация k-средних, деревья решений, случайный лес – все это можно использовать для задач кластеризации.
Прогноз
Попытка выяснить взаимосвязь между двумя или более непрерывными переменными является типичной задачей регрессии.
Примечание: Если переменная может принимать любое значение между минимальным и максимальным значениями, она называется непрерывной переменной.
Примером такой задачи является прогноз цен на жилье на основе их размера и местоположения. Цена дома в этом случае является непрерывной числовой переменной.
Линейная регрессия – наиболее распространенный алгоритм в этой области. Алгоритмы многомерной регрессии, регрессии Риджа и регрессии LASSO используются, когда вам нужно смоделировать взаимосвязь между более чем двумя переменными.
Оптимизация
Программное обеспечение для машинного обучения позволяет обеспечить основанный на данных подход к постоянному совершенствованию практически в любой области.Вы можете применить аналитику использования продукта, чтобы узнать, как новые функции продукта влияют на спрос. Сложное программное обеспечение, оснащенное эмпирическими данными, помогает выявлять неэффективные меры, позволяя избежать неудачных решений.
Например, можно использовать гетерархическую систему управления производством, чтобы улучшить способность динамической производственной системы адаптироваться и самоуправляться. Методы машинного обучения выявляют наилучшее поведение в различных ситуациях в режиме реального времени, что ведет к постоянному совершенствованию системы.
Алгоритмы градиентного спуска обычно используются в машинном обучении для работы с оптимизацией.
Обнаружение аномалий
Финансовые учреждения ежегодно теряют около 5% дохода из-за мошенничества. Создавая модели на основе исторических транзакций, информации социальных сетей и других источников данных, можно обнаружить аномалии, пока не стало слишком поздно. Это помогает обнаруживать и предотвращать мошеннические транзакции в режиме реального времени даже для ранее неизвестных видов мошенничества.
Типичными алгоритмами обнаружения аномалий являются SVM, LOF, k-NN, k-means.
Ранжирование
Машинное обучение можно применять для построения моделей ранжирования. Ранжирование машинного обучения (MLR) обычно включает применение контролируемых, частично контролируемых или подкрепляющих алгоритмов. Примером задачи ранжирования являются системы поисковых систем, такие как SearchWiki от Google.
Примерами алгоритмов ранжирования являются RankNet, RankBoost, RankSVM и другие.
Рекомендация
Рекомендательные системы предлагают пользователям ценные советы. Этот метод приносит пользу пользователям, а также приносит пользу компаниям, поскольку он мотивирует их клиентов покупать больше или исследовать больше контента.
Пункты ранжируются в соответствии с их релевантностью. Наиболее актуальные из них отображаются пользователю. Актуальность определяется на основе исторических данных. Вы знаете, как это работает, если когда-либо смотрели что-нибудь на Youtube или Netflix. Системы предлагают вам видео, похожие на то, что вы уже смотрели.
Основными алгоритмами, используемыми для рекомендательных систем, являются алгоритмы совместной фильтрации и системы, основанные на содержании.
Как выбрать методы машинного обучения для решения вашей проблемы
Как найти лучший алгоритм машинного обучения для вашей проблемы? Вы можете использовать три основных подхода.
Обучение на основе задач
Определите категорию своей проблемы. Можно классифицировать задачи по вводу и выводу.
По вводу:
- Если у вас есть набор помеченных данных или вы можете подготовить такой набор, это область контролируемого обучения.
- Если вам все же нужно определить структуру, это проблема неконтролируемого обучения.
- Если вам нужна модель для взаимодействия с окружающей средой, вы примените алгоритм обучения с подкреплением.
По выходным данным:
- Если выходными данными модели является число, это проблема регрессии.
- Если выходом модели является класс и известно количество ожидаемых классов, это проблема классификации.
- Если выходом модели является класс, но количество ожидаемых классов неизвестно, это проблема кластеризации.
- Если вам нужно повысить производительность, это оптимизация.
- Если вы хотите, чтобы система предлагала варианты на основе истории действий, это проблема рекомендаций.
- Если вы хотите получить представление о данных, примените модели распознавания образов.
- Если вы хотите обнаружить проблемы, используйте алгоритмы обнаружения аномалий.
Изучите свои данные
Процесс выбора алгоритма не ограничивается категоризацией проблемы. Вам также необходимо внимательнее изучить свои данные, потому что они играют важную роль в выборе правильного алгоритма для решения проблемы. Некоторые алгоритмы обычно работают с меньшими наборами образцов, в то время как другие требуют огромного количества образцов.Некоторые алгоритмы работают с категориальными данными, а другие работают только с числовым вводом.
Для понимания ваших данных требуются определенные шаги:
- Обработка. Компонентами обработки данных являются предварительная обработка, профилирование, очистка, сбор данных из различных внутренних и внешних источников.
- Разработка функций. Вам необходимо преобразовать необработанные данные в функции, которые могут представлять основную проблему для прогнозных моделей.Это помогает повысить точность и быстрее получить желаемые результаты.
Выбор алгоритма – комплексная задача, требующая анализа множества факторов.
Прочие факторы, которые могут повлиять на выбор модели:
- Точность модели;
- Интерпретируемость модели;
- Сложность модели;
- Масштабируемость модели;
- Время, необходимое для создания, обучения и тестирования модели;
- Время, необходимое для прогнозирования с использованием модели;
- Если модель соответствует вашим бизнес-целям.
Метод проб и ошибок
Иногда проблема слишком сложна, и вы не знаете, с чего начать. Кажется, что подходят несколько моделей, и трудно предсказать, какая из них окажется наиболее эффективной. В этом случае вы можете протестировать пару моделей и оценить их.
Настройте конвейер машинного обучения. Он будет сравнивать производительность каждого алгоритма в наборе данных на основе ваших критериев оценки. Другой подход – разделить данные на подмножества и использовать один и тот же алгоритм для разных групп.Лучшее решение для этого – сделать это один раз или запустить службу, которая будет делать это через определенные промежутки времени при добавлении новых данных.
Нейронные сети
Наконец, большинство задач, которые ML приходится решать сегодня, можно решить с помощью нейронных сетей. Итак, окончательный подход к выбору модели машинного обучения – всегда использовать искусственные нейронные сети.
Однако эти модели дороги и требуют много времени для сборки, поэтому до сих пор существуют другие модели. Для точности нейронным сетям нужны очень большие базы данных.Другие типы методов машинного обучения могут быть не такими универсальными, но эффективно решают поставленные задачи даже при работе с небольшими наборами данных.
Более того, они имеют тенденцию переоснащаться, а также их трудно интерпретировать – нейронные сети по сути являются черными ящиками, и исследователи не знают, что происходит внутри.