1. 綜合案例模型構建

• 構建竊漏電用戶識別模型；
• 構建LM神經網絡模型；
• 構建CART決策樹模型；
• 模型評價

2. 構建竊漏電用戶識別模型

2.1 構建專家樣本

專家樣本準備完成后，需要劃分測試樣本和訓練樣本，隨機選取20%作為測試樣本，剩下的作為訓練樣本。

2.3 資源

數據集

• 專家樣本數據集的內容包括時間、用戶編號、電量趨勢下降指標、線損指標、告警類指標和是否竊漏電標簽，數據集共有291條樣本數據。

  數據集詳情參考model.xls
  

工具庫

pandas==0.24.2

2.4 步驟

導入數據分析庫pandas

導入隨機函數shuffle,用于打亂順序

設置訓練數據比例，劃分數據

2.5 代碼

數據劃分實現代碼

import pandas as pd #導入數據分析庫 from random import shuffle #導入隨機函數shuffle，用來打算數據datafile = '../data/model.xls' #數據名 data = pd.read_excel(datafile) #讀取數據，數據的前三列是特征，第四列是標簽 data = data.as_matrix() #將表格轉換為矩陣 shuffle(data) #隨機打亂數據p = 0.8 #設置訓練數據比例 train = data[:int(len(data)*p),:] #前80%為訓練集 test = data[int(len(data)*p):,:] #后20%為測試集

3. 構建LM神經網絡

3.1 模型搭建

使用Keras庫建立神經網絡模型。設定LM神經網絡有三層模型，輸入層為3個節點，隱藏層為10個結點，輸出層為1個結點，使用Adam方法求解。

LM神經網絡的混淆矩陣

• 通過混淆矩陣可得，模型的分類準確率為(161+58)/(161+58+6+7)=94.4%，正常用戶被誤判為漏電用戶占正常用戶對7/(161+7)=4.2%，竊漏電用戶被誤判為正常用戶占竊漏電用戶的6/(6+58)=9.4%。
  

3.2 資源

資源庫

pandas==0.24.2 scipy==1.1.0 keras=2.2.0 Tensorflow=1.10

數據集

數據集詳情參考model.xls

3.3 步驟

導入神經網絡初始化函數

導入神經網絡層函數，激活函數

構建模型存儲路徑

建立神經網絡

編譯模型，使用adam方法求解

保存模型

顯示混淆矩陣及可視化結果

3.4 代碼

LM神經網絡實現代碼

#構建LM神經網絡模型 from keras.models import Sequential #導入神經網絡初始化函數 from keras.layers.core import Dense, Activation #導入神經網絡層函數、激活函數netfile = '../tmp/net.model' #構建的神經網絡模型存儲路徑net = Sequential() #建立神經網絡 net.add(Dense(input_dim = 3, output_dim = 10)) #添加輸入層（3節點）到隱藏層（10節點）的連接 net.add(Activation('relu')) #隱藏層使用relu激活函數 net.add(Dense(input_dim = 10, output_dim = 1)) #添加隱藏層（10節點）到輸出層（1節點）的連接 net.add(Activation('sigmoid')) #輸出層使用sigmoid激活函數 net.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = "binary") #編譯模型，使用adam方法求解net.fit(train[:,:3], train[:,3], nb_epoch=1000, batch_size=1) #訓練模型，循環1000次 net.save_weights(netfile) #保存模型predict_result = net.predict_classes(train[:,:3]).reshape(len(train)) #預測結果變形

4 構建CART決策樹模型

4.1 使用sklearn機器學習庫構建決策樹模型

通過scikit-learn利用訓練樣本構建CART決策樹模型，得到的混淆矩陣如下圖所示，分類準確率為（160+56）/（160+56+3+13）=93.1%，正常用戶被誤判為竊漏電用戶占正常用戶的 13/（13+160）=7.5%，竊漏電用戶被誤判為正常用戶占竊漏電用戶的3/（3+56）=5.1%。

4. 2代碼

決策樹構建竊漏電用戶識別代碼
#構建CART決策樹模型
from sklearn.tree import DecisionTreeClassifier #導入決策樹模型

treefile = '../tmp/tree.pkl' #模型輸出名字 tree = DecisionTreeClassifier() #建立決策樹模型 tree.fit(train[:,:3], train[:,3]) #訓練#保存模型 from sklearn.externals import joblib joblib.dump(tree, treefile)from cm_plot import * #導入自行編寫的混淆矩陣可視化函數 cm_plot(train[:,3], tree.predict(train[:,:3])).show() #顯示混淆矩陣可視化結果 #注意到Scikit-Learn使用predict方法直接給出預測結果。

5 綜合案例模型評價

5.1 使用測試數據

對于訓練樣本，LM神經網絡和CART決策樹的分類準確相差不大，分別為94%和93%，為了進一步評估模型分類的性能，故利用測試樣本對兩個模型進行評價，采用ROC曲線評價方法進行評估。

6 完成代碼

6.1 Cart決策樹模型

#-*- coding: utf-8 -*- #構建并測試CART決策樹模型import pandas as pd #導入數據分析庫 from random import shuffle #導入隨機函數shuffle，用來打算數據datafile = '../data/model.xls' #數據名 data = pd.read_excel(datafile) #讀取數據，數據的前三列是特征，第四列是標簽 data = data.as_matrix() #將表格轉換為矩陣 shuffle(data) #隨機打亂數據p = 0.8 #設置訓練數據比例 train = data[:int(len(data)*p),:] #前80%為訓練集 test = data[int(len(data)*p):,:] #后20%為測試集#構建CART決策樹模型 from sklearn.tree import DecisionTreeClassifier #導入決策樹模型treefile = '../tmp/tree.pkl' #模型輸出名字 tree = DecisionTreeClassifier() #建立決策樹模型 tree.fit(train[:,:3], train[:,3]) #訓練#保存模型 from sklearn.externals import joblib joblib.dump(tree, treefile)from cm_plot import * #導入自行編寫的混淆矩陣可視化函數 cm_plot(train[:,3], tree.predict(train[:,:3])).show() #顯示混淆矩陣可視化結果 #注意到Scikit-Learn使用predict方法直接給出預測結果。from sklearn.metrics import roc_curve #導入ROC曲線函數fpr, tpr, thresholds = roc_curve(test[:,3], tree.predict_proba(test[:,:3])[:,1], pos_label=1) plt.plot(fpr, tpr, linewidth=2, label = 'ROC of CART', color = 'green') #作出ROC曲線 plt.xlabel('False Positive Rate') #坐標軸標簽 plt.ylabel('True Positive Rate') #坐標軸標簽 plt.ylim(0,1.05) #邊界范圍 plt.xlim(0,1.05) #邊界范圍 plt.legend(loc=4) #圖例 plt.show() #顯示作圖結果

6.2 LM神經網絡模型

#-*- coding: utf-8 -*-import pandas as pd from random import shuffledatafile = '../data/model.xls' data = pd.read_excel(datafile) data = data.as_matrix() shuffle(data)p = 0.8 #設置訓練數據比例 train = data[:int(len(data)*p),:] test = data[int(len(data)*p):,:]#構建LM神經網絡模型 from keras.models import Sequential #導入神經網絡初始化函數 from keras.layers.core import Dense, Activation #導入神經網絡層函數、激活函數netfile = '../tmp/net.model' #構建的神經網絡模型存儲路徑net = Sequential() #建立神經網絡 net.add(Dense(input_dim = 3, output_dim = 10)) #添加輸入層（3節點）到隱藏層（10節點）的連接 net.add(Activation('relu')) #隱藏層使用relu激活函數 net.add(Dense(input_dim = 10, output_dim = 1)) #添加隱藏層（10節點）到輸出層（1節點）的連接 net.add(Activation('sigmoid')) #輸出層使用sigmoid激活函數 net.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = "binary") #編譯模型，使用adam方法求解net.fit(train[:,:3], train[:,3], nb_epoch=1000, batch_size=1) #訓練模型，循環1000次 net.save_weights(netfile) #保存模型predict_result = net.predict_classes(train[:,:3]).reshape(len(train)) #預測結果變形 '''這里要提醒的是，keras用predict給出預測概率，predict_classes才是給出預測類別，而且兩者的預測結果都是n x 1維數組，而不是通常的 1 x n'''from cm_plot import * #導入自行編寫的混淆矩陣可視化函數 cm_plot(train[:,3], predict_result).show() #顯示混淆矩陣可視化結果from sklearn.metrics import roc_curve #導入ROC曲線函數predict_result = net.predict(test[:,:3]).reshape(len(test)) fpr, tpr, thresholds = roc_curve(test[:,3], predict_result, pos_label=1) plt.plot(fpr, tpr, linewidth=2, label = 'ROC of LM') #作出ROC曲線 plt.xlabel('False Positive Rate') #坐標軸標簽 plt.ylabel('True Positive Rate') #坐標軸標簽 plt.ylim(0,1.05) #邊界范圍 plt.xlim(0,1.05) #邊界范圍 plt.legend(loc=4) #圖例 plt.show() #顯示作圖結果

6.3 混淆矩陣代碼

def cm_plot(y, yp):from sklearn.metrics import confusion_matrix #導入混淆矩陣函數cm = confusion_matrix(y, yp) #混淆矩陣import matplotlib.pyplot as plt #導入作圖庫plt.matshow(cm, cmap=plt.cm.Greens) #畫混淆矩陣圖，配色風格使用cm.Greens，更多風格請參考官網。plt.colorbar() #顏色標簽for x in range(len(cm)): #數據標簽for y in range(len(cm)):plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')plt.ylabel('True label') #坐標軸標簽plt.xlabel('Predicted label') #坐標軸標簽return pltfor x in range(len(cm)): #數據標簽for y in range(len(cm)):plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')plt.ylabel('True label') #坐標軸標簽plt.xlabel('Predicted label') #坐標軸標簽return plt

總結

以上是生活随笔為你收集整理的二十八、电力窃漏电案例模型构建的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。