大家好，eIQ Time SeriesStudio又和大家見面啦！本章為大家?guī)砉ぞ吆诵牟糠?模型訓(xùn)練。

Training模塊，用于Dataset模塊加載數(shù)據(jù)集后的模型訓(xùn)練。Training功能是核心技術(shù)，包括數(shù)據(jù)預(yù)處理、算法超參數(shù)自動化搜索、基準(zhǔn)測試以及針對有限的Flash和RAM大小進(jìn)行最佳精度擬合優(yōu)化。模型性能也可以通過各種基準(zhǔn)指標(biāo)進(jìn)行評估。

功能布局

下圖顯示了“Training”模塊的布局，分為三個部分：

左側(cè)框架顯示了訓(xùn)練的所有記錄

中間的框架顯示了訓(xùn)練的配置信息和優(yōu)化過程

右側(cè)框架顯示了指定模型的驗證集的基準(zhǔn)結(jié)果

左側(cè)框包含兩部分：Training Records和Models。

Training Records：記錄了用戶創(chuàng)建的所有訓(xùn)練任務(wù)。

Models：記錄了特定訓(xùn)練任務(wù)生成的算法模型；默認(rèn)情況下，模型按得分降序排列。得分取決于 RAM/Flash 占用大小以及基準(zhǔn)測試的一些常見評估指標(biāo)。

中間框包含兩部分：Training Info和Training。

Training Info：記錄了訓(xùn)練的時間、進(jìn)度和配置信息，包括日期、最大 RAM、最大 Flash、是否使用快速搜索、on-Device learn(僅用于異常檢測)、訓(xùn)練/驗證集比例和訓(xùn)練所用的數(shù)據(jù)文件。

Training：記錄了自動機(jī)器學(xué)習(xí)的平衡準(zhǔn)確率、Flash 和 RAM 使用的變化曲線。

右側(cè)框架中的信息因不同的任務(wù)類型而異，將在后續(xù)內(nèi)容中詳細(xì)介紹（基準(zhǔn)信息）。

訓(xùn)練過程

介紹如何開始、暫停、停止和管理訓(xùn)練。

點擊“Start New Training”按鈕，會出現(xiàn)一個彈框供用戶配置。在點擊“Start”按鈕之前，請檢查針對不同算法任務(wù)可配置的選項。通常，用戶可以在不更改配置的情況下進(jìn)行訓(xùn)練并獲得最佳結(jié)果。

配置選項

異常檢測的配置選項如下。異常檢測算法基于半監(jiān)督機(jī)器學(xué)習(xí)，它支持在設(shè)備上進(jìn)行增量學(xué)習(xí)。

如果算法僅用于預(yù)測，請不要使能“On-Device Learn”這將會導(dǎo)致更大的 RAM/Flash占用

如果使用的數(shù)據(jù)集存在變化，可以啟用“On-Device Learn”以允許在設(shè)備上進(jìn)行訓(xùn)練

如果想快速獲得訓(xùn)練結(jié)果，請啟用“Quick Search”。此模式的搜索范圍不如默認(rèn)模式大

以下是分類和回歸的配置選項：

共同的選項：

配置Train/Val Ratio，如果train/emulation準(zhǔn)確率不匹配或超出范圍，則調(diào)整數(shù)據(jù)文件中訓(xùn)練集和驗證集的比例并再次訓(xùn)練和仿真。

訓(xùn)練配置完成或設(shè)置為默認(rèn)值后，單擊“Start”按鈕開始訓(xùn)練，等待訓(xùn)練完成。

完成培訓(xùn)的時間取決于：

數(shù)據(jù)集的大小

選擇了什么樣的算法任務(wù)

不同的訓(xùn)練配置也可能導(dǎo)致不同的時間開銷

訓(xùn)練開始時，訓(xùn)練進(jìn)度條會不斷更新，計時器會一直計時，直到100%完成。

暫停/停止訓(xùn)練 在訓(xùn)練過程中，可以選擇點擊“Stop”按鈕停止訓(xùn)練或點擊“Pause”按鈕暫停訓(xùn)練，左側(cè)模型列表中存在的算法，可以被使用。

暫停后，可以在左側(cè)模型列表中查看任意模型的訓(xùn)練結(jié)果，或者點擊“Resume”按鈕繼續(xù)訓(xùn)練。

訓(xùn)練記錄管理

任務(wù)完成后，此次的訓(xùn)練信息將被記錄到訓(xùn)練記錄中，訓(xùn)練出的算法模型將會按照性能排序出現(xiàn)在模型列表中。

點擊“flowchart”和“report”按鈕，查看或下載相應(yīng)模型的流程圖和報告，以供進(jìn)一步參考。

從列表中選擇任意算法并點擊，可獲取如下基準(zhǔn)詳細(xì)信息。在訓(xùn)練圖中，紫色箭頭坐標(biāo)指示當(dāng)前選定的算法模型，用戶可以查看自動機(jī)器學(xué)習(xí)訓(xùn)練曲線以及每個模型對應(yīng)的平衡準(zhǔn)確率、Flash和RAM使用情況。

另外，可以點擊“Delete”按鈕刪除相應(yīng)的訓(xùn)練記錄，刪除后該訓(xùn)練記錄下的所有模型信息也會同時被刪除。

模型列表與代碼許可

為了滿足用戶對算法透明度的要求，我們會根據(jù)發(fā)布版本保持所有支持模型的列表更新：

該表格重點展示了以下信息：

每項任務(wù)對應(yīng)的模型

用于訓(xùn)練的Python代碼源

Python代碼的許可證類型

C代碼來源

基準(zhǔn)信息

支持時間序列的數(shù)據(jù)集的算法有三類，分別是異常檢測、分類和回歸?；鶞?zhǔn)信息因算法類型的不同而不同。

異常檢測基準(zhǔn)信息

Balanced Accuracy: 從類別中獲得平衡準(zhǔn)確率。

F1: F1分?jǐn)?shù)是反映分類器全局性能的指標(biāo)，其值范圍為0到1。

Recall:召回率是分類器找出所有正樣本的能力，值的范圍是0~1。

Flash:所選算法所需的最小Flash。

RAM:所選算法所需的最小RAM.

Execution Time: 基于LPC55S36（Cortex-M33，150 MHz，啟用硬浮點）平臺進(jìn)行一次推理的估計時間，同時您可以通過點擊時鐘按鈕來獲取執(zhí)行時間。

將鼠標(biāo)懸浮在指標(biāo)上，可查看它的解釋說明和對應(yīng)的計算公式。

驗證集結(jié)果分析:

在訓(xùn)練過程中，部分?jǐn)?shù)據(jù)會不時用于驗證。訓(xùn)練曲線反映了這些結(jié)果，并作為準(zhǔn)確性指標(biāo)來衡量模型的性能。

x 軸表示驗證樣本的索引（對于異常檢測，所有樣本都用于驗證，而分類則根據(jù)訓(xùn)練/驗證比例來驗證）

y 軸表示概率，其值標(biāo)準(zhǔn)化為0到1之間

綠點表示預(yù)測正確的樣本點，紅色表示預(yù)測異常的樣本點

學(xué)習(xí)曲線:

對于支持“On-DeviceLearn”的模型，提供了學(xué)習(xí)曲線，展示了在訓(xùn)練過程中添加更多樣本的效果。

混淆矩陣:

對于異常檢測，混淆矩陣表包含正常和異常結(jié)果：

同時，您可以通過點擊百分比（%）按鈕來獲取百分比結(jié)果：

也可以通過點擊箭頭按鈕來查看統(tǒng)計結(jié)果：

分類算法基準(zhǔn)信息 對于分類任務(wù)，一些評估指標(biāo)與異常檢測一致，例如平衡準(zhǔn)確率、RAM、Flash和F1。

混淆矩陣:

對于分類，混淆矩陣表重新縮放以適應(yīng)所有類別，如下圖所示：

回歸算法基準(zhǔn)信息

R2:決定系數(shù)：

其公式可在回歸仿真指標(biāo)部分找到。

算法驗證結(jié)果:

對每個target，都繪制了驗證集的預(yù)測目標(biāo)值。

x軸表示驗證樣本的索引。訓(xùn)練/驗證比例決定了用于驗證的樣本數(shù)量

y軸表示預(yù)測值

虛線表示真實值

評估指標(biāo):

對于回歸任務(wù)，給出了所有回歸目標(biāo)的MSE、RMSE、MAE、R2和SMAPE值。

MSE:均方誤差

RMSE:均方根誤差

MAE:平均絕對誤差

R2:決定系數(shù)

SMAPE:對稱平均絕對百分比誤差

*注：公式中Yi 是第i個樣本點的真實值，Xi 為第i個樣本點的預(yù)測值。