值和剩余使用寿命 (Values and RUL)

值和 RUL (Values and RUL) 部分使您能够有效地处理回归数据。RUL 代表 剩余使用寿命 (Remaining Useful Life)，这是预测建模中的一个关键指标，用于估算系统或组件在需要维护或更换之前将运行多长时间。本节分为三个部分：

1. 数据样本列表 (Data Sample List)
2. [列表名称] 的分布 (Distributions for [List Name])
3. [列表名称] 的探索结果 (Exploration Results for [List Name])

每个部分都提供独特的功能和见解，帮助您分析和完善用于模型开发的回归数据。

数据样本列表 (Data Sample List)

数据样本列表 部分显示一个包含以下字段的交互式表格：

字段	描述
锁定符号 (Lock Symbol)	允许您锁定或解锁特定数据样本以防止意外编辑。
列表名称 (List Name)	显示当前数据样本列表的名称。
列表类型 (List Type)	指定列表是用于训练、验证还是测试目的。
数据形状 (Data Shape)	以特征和样本的形式指示数据的维度。
N 样本 (N Samples)	显示数据列表中的样本数。
目标范围 (Target Range)	显示数据中目标值的范围。
创建时间 (Created)	显示数据列表创建的日期和时间。
修改时间 (Modified)	显示数据列表最后一次修改的日期和时间。
评论 (Comments)	包括与数据列表相关的任何注释或备注。
状态 (Status)	指示数据列表的当前状态，例如就绪、进行中或锁定。

此表帮助您有效地组织、审查和管理您的回归数据。

分布 (Distributions)

分布 部分可视化数据样本的分布，提供有关数据集特征的关键见解。它包括：

字段	描述
箱数 (# of Bins)	指定直方图的箱数。您可以手动输入值或使用向上和向下箭头进行调整。
值范围 (Value Range)	显示所选箱中的值范围。
计数 (Count)	指示每个箱内的样本数。
列表百分比 (% of List)	显示每个箱内样本占总样本的百分比。
总计数 (Total Count)	显示数据列表中的样本总数。

此部分允许您分析数据分布模式并识别异常或不平衡。

探索结果 (Exploration Results)

探索结果 部分提供详细的指标和可视化效果，以评估您的回归数据。关键功能包括：

字段	描述
收藏夹 (Favorites)	允许您标记首选配置或结果以便快速访问。
复杂性 (Complexity)	显示计算复杂性，包括针对不同配置的 Flash 和 RAM 等资源需求。
K 折准确率 (Kfold Accuracy)	显示交叉验证准确率指标，包括 R 平方 (R-squared) 和 最差误差百分比 (Worst% Error) 值。
训练分离 (Training Separation)	提供训练数据的性能指标，包括 R 平方 (R-squared) 和 最差误差百分比 (Worst% Error) 值。
创建 基础工具 (Base Tool)	允许您创建基线工具或模型配置以进行进一步分析。
解释 (Explanation)	提供对决策结构和各种参数重要性的见解，以及用于更深入分析的交互式图表。
回归图 (Regression Plots)	显示散点图或折线图等可视化效果，以表示回归输出及其与目标值的一致性。

此部分对于在部署之前完善模型和了解其性能至关重要。

创建 AI 模型并查看统计数据

此过程指导您使用上传的数据集创建 AI 模型并查看这些模型的各种统计数据。

1. 在左侧菜单中，转到 AI 探索 (AI Explore) > 值和 RUL (Values and RUL)。
2. 在 数据样本列表 部分，从表中选择所需的分段列表。
3. 在 探索结果 选项卡中，点击 开始探索 (Start Exploring)。

• 系统开始处理特征空间并生成模型。
• 您可以监控进度并查看列出的表现最佳的模型。
• 有关此阶段的更多信息，请参阅 探索结果界面 部分。

1. 探索结果 部分中的每一行代表基于 AI 探索过程中识别出的特征的模型。要查看详细的准确率统计数据，请点击所需模型的 回归图 (Regression Plots) 行。
2. 空白的 回归图 打开。在屏幕底部：
   • 点击 第一个选项 查看 混淆矩阵 (confusion matrix)，其中包括总体准确率、F1 分数和误差分布。
     • 使用误差分布图识别误差在数值范围内的集中情况。分布越宽表明模型性能越差。
   • 点击 第二个选项 访问两个图表：
     • 回归图 (Regression Plot)： 显示所选模型的实际值与预测值。
     • 残差误差图 (Residual Error Plot)： 显示逐样本的残差误差。

注意

关键指标包括：

• 残差误差 (Residual Error)： 数据点与回归线之间的垂直差异，代表预测值与观察值之间的误差。
• R 平方 (R-squared, R²)： 衡量自变量解释因变量变化的程度。值越高表明拟合越好。
• 平均绝对误差 (Mean Absolute Error, MAE)： 所有绝对误差的平均值，代表平均误差幅度。

1. 将鼠标悬停在 复杂性 (Complexity) 选项卡上以查看模型的资源消耗：
   • 特征空间 (Feature Space)： 特征计算的乘法运算。
   • 分类器 (Classifier)： 分类器所需的乘法运算（回归模型为空）。
   • 总计 (Total)： 总乘法运算。
2. 使用复杂性数字来衡量目标处理器 (MCU/MPU) 上模型的资源需求。例如：
   • 如果基于频谱的特征很重要，并且决策重要性图突出显示 50 Hz 以下的频率，则在特征计算期间应用 < 50 Hz 的滤波器可以减少资源消耗。
   • 如果您在项目创建期间预选了目标处理器，则表现最佳的模型将与该处理器的可用资源保持一致。
3. 查看统计数据后，点击突出显示的选项以部署模型进行进一步测试或导出。