+7 495 120-13-73 | 8 800 500-97-74

(для регионов бесплатно)

Содержание

Примеры расчета автоматических выключателей в электрической цепи

Вводная часть

Любая электрическая цепь в квартире и доме, должна защищаться автоматом защиты от перегрузок и сверхтоков короткого замыкания. Эту нехитрую истину можно наглядно продемонстрировать в любом электрическом щите квартиры, этажном щите, вводно-распределительном щите дома и т.п. электрическим шкафам и боксам.

Вопрос не в том, ставить автомат защиты или нет, вопрос, как рассчитать автомат защиты, чтобы он правильно выполнял свои задачи, срабатывал, когда нужно и не мешал стабильной работе электроприборов.

Примеры расчета автоматических выключателей

Теорию расчетов автоматических выключателей вы можете почитать в статье: Расчет автоматов защиты. Здесь несколько практических примеров расчета автоматических выключателей в электрической цепи дома и квартиры.

Пример 1. Расчет вводного автомата дома

Примеры расчета автоматических выключателей начнем с частного дома, а именно рассчитаем вводной автомат. Исходные данные:

  • Напряжение сети Uн = 0,4 кВ;
  • Расчетная мощность Рр = 80 кВт;
  • Коэффициент мощности COSφ = 0,84;

1-й расчет:

Чтобы выбрать номинал автоматического выключателя считаем номинал тока нагрузки данной электросети:

Iр = Рр / (√3 × Uн × COSφ) Iр = 80 / (√3 × 0,4 × 0,84) = 137 А

2-й расчет

Чтобы избежать, ложное  срабатывание автомата защиты, номинальный ток автомата защиты (ток срабатывания теплового расцепителя) следует выбрать на 10% больше планируемого тока нагрузки:

  • Iток.расцепителя = Iр × 1,1
  • Iт.р = 137 × 1,1 = 150 А

Итог расчета: По сделанному расчету выбираем автомат защиты (по ПУЭ-85 п. 3.1.10) с током расцепителя ближайшим к расчетному значению:

  • I ном.ав = 150 Ампер (150 А).

Такой выбор автомата защиты позволит стабильно работать электрической цепи дома в рабочем режиме и срабатывать, только в аварийных ситуациях.

Пример 2.

Расчет автоматического выключателя групповой цепи кухни примеры расчета автоматических выключателей

Во втором примере посчитаем, какой автоматический выключатель нужно выбрать для кухонной электропроводки, которую правильно называть розеточная групповая цепь электропроводки кухни. Это может быть кухня квартиры или дома, разницы нет.

Аналогично первому примеру расчет состоит из двух расчетов: расчет тока нагрузки электрической цепи кухни и расчет тока теплового расцепителя.

Расчет тока нагрузки

Исходные данные:

  • Напряжение сети Uн = 220 В;
  • Расчетная мощность Рр = 6 кВт;
  • Коэффициент мощности COSφ = 1;

1. Расчетную мощность считаем, как сумму мощностей всех бытовых приборов кухни, умноженной на коэффициент использования, он же коэффициент использования бытовой техники.

2. Коэффициент использования бытовой техники это поправочный коэффициент, уменьшающий расчетную (полную) потребляемую мощность электроцепи и учитывающий количество одновременно работающих электроприборов.

То есть, если на кухне установлено 10 розеток для 10 бытовых приборов (стационарных и переносных), нужно учесть, что все 10 приборов одновременно работать не будут.

Коэффициент использования

Рассчитать коэффициент использования для простой группы можно самостоятельно.

  • Выпишите на листок планируемые бытовые приборы.
  • Рядом с прибором поставьте его мощность по паспорту.
  • Просуммируйте все мощности приборов по паспорту. Это Pрасчет.
  • Подумайте, какие приборы могут работать одновременно: чайник+ тостер, микроволновка+блендер, чайник+микроволновка+тостер, и т.д.
  • Посчитайте суммарные мощности этих групп. Рассчитайте среднюю суммарную мощность групп одновременно включаемых приборов. Это будет
    Pноминал
    (номинальная мощность).
  • Разделите  Pрасчет на Pноминал, получите коэффициент использования кухни.

На самом деле, в теории расчетов коэффициент использования внутри дома (без инженерных сетей) и квартиры принимается равным, единице, если количество розеток не больше 10. Это так, но на практике, именно коэффициент использования позволяет работать современным бытовым приборам кухни на старой электропроводке.

Примечание:

В теории расчетов 1 бытовая розетка планируется на 6 кв. метров квартиры (дома). При этом:

  • коэффициент использования=0,7 –для розеток от 50 шт.;
  • коэффициент использования=0,8 –розеток 20-49 шт.;
  • коэффициент использования=0,9 –розеток от 9 до 19шт.;
  • коэффициент использования=1,0 –розеток ≤10шт.

Вернемся к автоматическому выключателю кухни. Считаем номинал тока нагрузки кухни:

  • Iр = Рр / 220В;
  • Iр = 6000 / 220= 27,3 А.

Ток расцепителя:

  • Iрасчет.= Iр×1,1=27,3×1,1=30А

По сделанному расчету выбираем номинал автомата защиты для кухни в 32 Ампер.

Вывод

Приведенный пример расчета кухни получился несколько завышенным, обычно для электропроводки кухни хватает 16 ампер если учесть, что плиту, стиральную машину, посудомоечную машину выводят в отдельные группы.

Эти примеры расчета автоматических выключателей для групповых цепей, лишь показывают общий принцип расчетов, причем не включают расчет инженерных цепей включающий работу насосов, станков и других двигателей частного дома.

Фотогалерея автоматов защиты

©Ehto.ru

Статьи по теме

Поделиться ссылкой:

Похожее

Как подобрать автомат трехфазный по мощности прибора. Расчет сечения кабеля и автоматического выключателя. Простейшие правила установки

Устройства для отключения электричества при перегрузках и коротких замыканиях устанавливают на входе в любую домашнюю сеть. Необходимо правильно рассчитать номиналы автоматических выключателей по току, иначе их работа будет неэффективной. Согласны?

Мы расскажем, как производится расчет параметров автомата, согласно которым подбирают это защитное устройство. Из предложенной нами статьи вы узнаете, как выбрать прибор, требующийся для защиты электросети. С учетом наших советов вы приобретете вариант, четко срабатывающий в опасный для проводки момент.

Для обеспечения правильного выбора номинала устройств отключения необходимо понимание принципов их работы, условий и времени срабатывания.

Рабочие параметры автоматических выключателей стандартизированы российскими и международными нормативными документами.

Основные элементы и маркировка

В конструкцию выключателя входят два элемента, которые реагируют на превышение силой тока установленного диапазона значений:

  • Биметаллическая пластина под воздействием проходящего тока нагревается и, изгибаясь, надавливает на толкатель, который разъединяет контакты. Это “тепловая защита” от перегрузки.
  • Соленоид под воздействием сильного тока в обмотке генерирует магнитное поле, которое давит сердечник, а тот уже воздействует на толкатель. Это “токовая защита” от короткого замыкания, которая реагирует на такое событие значительно быстрее, чем пластина.

Типы устройств электрической защиты обладают маркировкой, по которой можно определить их основные параметры.

На каждом автоматическом выключателе обозначены его основные характеристики. Это позволяет не перепутать устройства, когда они установлены в щитке

Тип времятоковой характеристики зависит от диапазона уставки (величины силы тока при которой происходит срабатывание) соленоида. Для защиты проводки и приборов в квартирах, домах и офисах используют выключатели типа “C” или, значительно менее распространенные – “B”. Особенной разницы между ними при бытовом применении нет.

Тип “D” используют в подсобных помещениях или столярках при наличии оборудования с электродвигателями, которые имеют большие показатели пусковой мощности.

Существует два стандарта для устройств отключения: жилой (EN 60898-1 или ГОСТ Р 50345) и более строгий промышленный (EN 60947-2 или ГОСТ Р 50030.2). Они отличаются незначительно и автоматы обоих стандартов можно использовать для жилых помещений.

По номинальному току стандартный ряд автоматов для использования в бытовых условиях содержит приборы со следующими значениями: 6, 8, 10, 13 (редко встречается), 16, 20, 25, 32, 40, 50 и 63 A.

Время-токовые характеристики срабатывания

Для того чтобы определить быстроту срабатывания автомата при перегрузке существуют специальные таблицы зависимости времени отключения от коэффициента превышения номинала, который равен отношению существующей силы тока к номинальной:

K = I / I n .

Резкий обрыв вниз графика при достижении значения коэффициента диапазона от 5 до 10 единиц, обусловлен срабатыванием электромагнитного расцепителя. Для выключателей типа “B” это происходит при значении от 3 до 5 единиц, а для типа “D” – от 10 до 20.

График показывает зависимость диапазона времени срабатывания автоматов типа “C” от отношения силы тока к значению, которое установлено для этого выключателя

При K = 1,13 автомат гарантированно не отключит линию в течение 1 часа, а при K = 1,45 – гарантированно отключит за это же время. Эти величины утверждены в п. 8.6.2. ГОСТ Р 50345-2010.

Чтобы понять, за какое время сработает защита, например, при K = 2, необходимо провести вертикальную линию от этого значения. В результате получим, что согласно приведенному графику, отключение произойдет в диапазоне от 12 до 100 секунд.

Столь большой разброс времени обусловлен тем, что нагрев пластины зависит не только от мощности проходящего через нее тока, но и параметров внешней среды. Чем выше температура, тем быстрее срабатывает автомат.

Правила выбора номинала

Геометрия внутриквартирных и домовых электрических сетей индивидуальна, поэтому типовых решений по установке выключателей определенного номинала не существует. Общие правила расчета допустимых параметров автоматов достаточно сложны и зависят от многих факторов. Необходимо учесть их все, иначе возможно создание аварийной ситуации.

Принцип устройства внутриквартирной разводки

Внутренние электрические сети имеют разветвленную структуру в виде “дерева” – графа без циклов. Соблюдение такого принципа построения называется , согласно которой оснащаются защитными устройствами все виды электрических цепей.

Это улучшает устойчивость системы при возникновении аварийной ситуации и упрощает работы по ее устранению. Также гораздо легче происходит распределение нагрузки, подключение энергоемких приборов и изменение конфигурации проводки.

У основания графа находится вводной автомат, а сразу после разветвления для каждой отдельной электрической цепи размещают групповые выключатели. Это проверенная годами стандартная схема

В функции вводного автомата входит контроль общей перегрузки – недопущение превышения силой тока разрешенного значения для объекта. Если это произойдет, то существует риск повреждения наружной проводки. Кроме того, вероятно срабатывание защитных устройств за пределами квартиры, которые уже относится к общедомовой собственности или принадлежит местным энергосетям.

В функции групповых автоматов входит контроль силы тока по отдельным линиям. Они защищают от перегрузки кабель на выделенном участке и подключенную к нему группу потребителей электроэнергии. Если при коротком замыкании такое устройство не срабатывает, то его страхует вводной автомат.

Даже для квартир с небольшим количеством электропотребителей желательно выполнить отдельную линию на освещение. При отключении автомата другой цепи, свет не погаснет, что позволит в более комфортных условиях устранить возникшую проблему. Практически в каждом щитке значение номинала вводного автомата меньше чем сумма на групповых.

Суммарная мощность электроприборов

Максимальная нагрузка на цепь возникает при одновременном включении всех электроприборов. Поэтому обычно, суммарную мощность вычисляют простым сложением. Однако в ряде случаев этот показатель будет меньше.

Для некоторых линий, одновременная работа всех подключенных к ней электроприборов маловероятна, а порой и невозможна. В домах иногда специально устанавливают ограничения на работу мощных устройств. Для этого нужно помнить о недопущении их одновременного включения или использовать ограниченное число розеток.

Вероятность одновременной работы всей офисной оргтехники, освещения и вспомогательного оборудования (чайники, холодильники, вентиляторы, обогреватели и т.д.) очень низка, поэтому при расчете максимальной мощности используют поправочный коэффициент

При электрификации офисных зданий для расчетов часто используют эмпирический коэффициент одновременности, значение которого берут в диапазоне от 0,6 до 0,8. Максимальная нагрузка вычисляется умножением суммы мощностей всех электроприборов на коэффициент.

В расчетах существует одна тонкость – необходимо учитывать разницу между номинальной (полной) мощностью и потребляемой (активной), которые связаны коэффициентом (cos (f )).

Это означает, что для работы устройства необходим ток мощности равной потребляемой деленной на этот коэффициент:

I p = I / cos (f)

  • I p – сила номинального тока, которую применяют в расчетах нагрузки;
  • I – сила потребляемого прибором тока;
  • cos (f)

Обычно номинальный ток сразу или через указание величины cos (f) указывают в техническом паспорте электрического прибора.

Так, например, значение коэффициента для люминесцентных источников света равно 0,9; для LED-ламп – около 0,6; для обыкновенных ламп накаливания – 1. Если документация утеряна, но известна потребляемая мощность бытовых устройств, то для гарантии берут cos (f) = 0,75.

О том, как подобрать автоматический выключатель по мощности нагрузки, написано в , с содержанием которой мы советуем ознакомиться.

Выбор сечения жил

Прежде чем прокладывать силовой кабель от распределительного щитка к группе потребителей, необходимо вычислить мощность электроприборов при их одновременной работе. Сечение любой ветви выбирают по таблицам расчета в зависимости от типа металла проводки: меди или алюминия.

Производители проводов сопровождают выпускаемую продукцию подобными справочными материалами. Если они отсутствуют, то ориентируются на данные из справочника “Правила устройства электрооборудования” или производят .

Однако часто потребители перестраховываются и выбирают не минимально допустимое сечение, а на шаг большее. Так, например, при покупке медного кабеля для линии 5 кВт, выбирают сечение жил 6 мм 2 , когда по таблице достаточно значения 4 мм 2 .

Справочная таблица, представленная в ПУЭ, позволяет выбрать необходимое сечение из стандартного ряда для различных условий эксплуатации медного кабеля

Это бывает оправдано по следующим причинам:

  • Более длительная эксплуатация толстого кабеля, который редко подвергается предельно допустимой для его сечения нагрузке. Заново выполнять прокладку электропроводки – непростая и дорогостоящая работа, особенно если в помещении сделан ремонт.
  • Запас пропускной способности позволяет беспроблемно подключать к ветви сети новые электроприборы. Так, в кухню можно добавить дополнительную морозильную камеру или переместить туда стиральную машину из ванной комнаты.
  • Начало работы устройств, содержащих электродвигатели, дает сильные стартовые токи. В этом случае наблюдается просадка напряжения, которая выражается не только в мигании ламп освещения, но и может привести к поломке электронной части компьютера, кондиционера или стиральной машины. Чем толще кабель, тем меньше будет скачок напряжения.

К сожалению, на рынке много кабелей, выполненных не по ГОСТу, а согласно требованиям различных ТУ.

Часто сечение их жил не соответствует требованиям или они выполнены из токопроводящего материала с большим сопротивлением, чем положено. Поэтому реальная предельная мощность, при которой происходит допустимый нагрев кабеля, бывает меньше чем в нормативных таблицах.

Эта фотография показывает отличия между кабелями, выполненными по ГОСТ (слева) и согласно ТУ (справа). Очевидна разница в сечении жил и плотности прилегания изоляционного материала

Расчет номинала выключателя для защиты кабеля

Устанавливаемый в щитке автомат должен обеспечить отключение линии при выходе мощности тока за пределы диапазона, разрешенного для электрического кабеля. Поэтому для выключателя необходимо провести расчет максимально допустимого номинала.

По ПУЭ допустимую длительную нагрузку проложенных в коробах или по воздуху (например, над натяжным потолком) медных кабелей, берут из приведенной выше таблицы. Эти значения предназначены для аварийных случаев, когда идет перегрузка по мощности.

Некоторые проблемы начинаются при соотнесении номинальной мощности выключателя длительному допустимому току, если это делать в соответствии с действующим ГОСТ Р 50571.4.43-2012.

Приведен фрагмент п. 433.1 ГОСТ Р 50571.4.43-2012. В формуле “2” допущена неточность, а для правильного понимания определения переменной In нужно учесть Приложение “1”

Во-первых, в заблуждение вводит расшифровка переменной I n , как номинальной мощности, если не обратить внимания на Приложение “1” к этому пункту ГОСТа. Во-вторых, в формуле “2” существует опечатка: коэффициент 1,45 добавлен неправильно и этот факт констатируют многие специалисты.

Согласно п. 8.6.2.1. ГОСТ Р 50345-2010 для бытовых выключателей с номиналом до 63 A условное время равно 1 часу. Установленный ток расцепления равен значению номинала, умноженного на коэффициент 1,45.

Таким образом, согласно и первой и измененной второй формулам номинальная сила тока выключателя должна рассчитываться по следующей формуле:

I n

  • I n – номинальный ток автомата;
  • I Z – длительный допустимый ток кабеля.

Проведем расчет номиналов выключателей для стандартных сечений кабелей при однофазном подключении с двумя медными жилами (220 В). Для этого разделим длительный допустимый ток (при прокладке по воздуху) на коэффициент расцепления 1,45.

Выберем автомат таким образом, чтобы его номинал был меньше этого значения:

  • Сечение 1,5 мм 2: 19 / 1,45 = 13,1. Номинал: 13 A;
  • Сечение 2,5 мм 2: 27 / 1,45 = 18,6. Номинал: 16 A;
  • Сечение 4,0 мм 2: 38 / 1,45 = 26,2. Номинал: 25 A;
  • Сечение 6,0 мм 2: 50 / 1,45 = 34,5. Номинал: 32 A;
  • Сечение 10,0 мм 2: 70 / 1,45 = 48,3. Номинал: 40 A;
  • Сечение 16,0 мм 2: 90 / 1,45 = 62,1. Номинал: 50 A;
  • Сечение 25,0 мм 2: 115 / 1,45 = 79,3. Номинал: 63 A.

Автоматические выключатели на 13A в продаже бывают редко, поэтому вместо них чаще используют устройства с номинальной мощностью 10A.

Кабели на основе алюминиевых жил сейчас редко используют при монтаже внутренней проводки. Для них тоже есть таблица, позволяющая выбрать сечение по нагрузке

Подобным способом для алюминиевых кабелей рассчитаем номиналы автоматов:

  • Сечение 2,5 мм 2: 21 / 1,45 = 14,5. Номинал: 10 или 13 A;
  • Сечение 4,0 мм 2: 29 / 1,45 = 20,0. Номинал: 16 или 20 A;
  • Сечение 6,0 мм 2: 38 / 1,45 = 26,2. Номинал: 25 A;
  • Сечение 10,0 мм 2: 55 / 1,45 = 37,9. Номинал: 32 A;
  • Сечение 16,0 мм 2: 70 / 1,45 = 48,3. Номинал: 40 A;
  • Сечение 25,0 мм 2: 90 / 1,45 = 62,1. Номинал: 50 A.
  • Сечение 35,0 мм 2: 105 / 1,45 = 72,4. Номинал: 63 A.

Если производитель силовых кабелей заявляет иную зависимость допустимой мощности от площади сечения, то необходимо пересчитать значение для выключателей.

Формулы зависимости силы тока от мощности для однофазной и трехфазной сети отличаются. Многие люди, которые имеют приборы, рассчитанные на напряжения 380 Вольт, на этом этапе допускают ошибку

Как определить технические параметры автоматического выключателя по маркировке, подробно . Рекомендуем ознакомиться с познавательным материалом.

Предупреждение перегрузки от работы потребителей

Иногда на линию устанавливают автомат с номинальной мощностью значительно более низкой, чем необходимо для гарантированного сохранения работоспособности электрического кабеля.

Снижать номинал выключателя целесообразно, если суммарная мощность всех устройств в цепи значительно меньше, чем способен выдержать кабель. Это происходит, если исходя из соображений безопасности, когда уже после монтажа проводки часть приборов была удалена с линии.

Тогда уменьшение номинальной мощности автомата оправдано с позиции его более быстрого реагирования на возникающие перегрузки.

Например, при заклинивании подшипника электродвигателя, ток в обмотке резко увеличивается, но не до значений короткого замыкания. Если автомат среагирует быстро, то обмотка не успеет оплавиться, что спасет двигатель от дорогостоящей процедуры перемотки.

Также используют номинал меньше расчетного по причинам жестких ограничений на каждую цепь. Например, для однофазной сети на входе в квартиру с электроплитой установлен выключатель 32 A, что дает 32 * 1,13 * 220 = 8,0 кВт допустимой мощности. Пусть при выполнении разводки по квартире были организованы 3 линии с установкой групповых автоматов номинала 25 A.

Если количество установленных в распределительный щит групповых автоматов велико, то их необходимо подписать и пронумеровать. Иначе можно запутаться

Допустим, что на одной из линий происходит медленное возрастание нагрузки. Когда потребляемая мощность достигнет значения равного гарантированному расцеплению группового выключателя, на остальные два участка останется только (32 – 25) * 1,45 * 220 = 2,2 кВт.

Это очень мало относительно общего потребления. При такой схеме распределительного щитка входной автомат будет чаще отключаться, чем устройства на линиях.

Поэтому чтобы сохранить принцип селективности, нужно поставить на участки выключатели номиналом в 20 или 16 ампер. Тогда при таком же перекосе потребляемой мощности на другие два звена будет приходиться суммарно 3,8 или 5,1 кВт, что приемлемо.

Рассмотрим возможность с номиналом 20A на примере выделенной для кухни отдельной линии.

К ней подсоединены и могут быть одновременно включены следующие электроприборы:

  • Холодильник, номинальной мощностью 400 Вт и стартовым током в 1,2 кВт;
  • Две морозильные камеры, мощностью 200 Вт;
  • Духовка, мощностью 3,5 кВт;
  • При работе электрической духовки разрешено дополнительно включить только один прибор, самые мощный из которых – электрочайник, потребляющий 2,0 кВт.

Двадцатиамперный автомат позволяет более часа пропускать ток с мощностью 20 * 220 * 1,13 = 5,0 кВт. Гарантированное отключение меньше чем за один час произойдет при пропуске тока в 20 * 220 * 1,45 = 6,4 кВт.

На кухне постоянное подключение к электричеству должно быть у холодильного оборудования и плиты. Если существует риск превышения силы тока, то одновременную работу остальных устройств можно исключить, выделив для них всего две розетки

При одновременном включении духовки и электрочайника суммарная мощность составит 5,5 кВт или 1,25 части от номинала автомата. Так как чайник работает недолго, то отключения не произойдет. Если в этот момент включатся в работу холодильник и обе морозильные камеры, то мощность составит уже 6,3 кВт или 1,43 части номинала.

Это значение уже близко к параметру гарантированного расцепления. Однако вероятность возникновения такой ситуации крайне мала и длительность периода будет незначительна, так как время работы моторов и чайника невелико.

Возникающего при запуске холодильника стартового тока, даже в сумме со всеми работающими устройствами, будет недостаточно для срабатывания электромагнитного расцепителя. Таким образом, в заданных условиях можно использовать автомат на 20 A.

Единственный нюанс заключается в возможности увеличения напряжения до 230 В, что разрешено нормативными документами. В частности ГОСТ 29322-2014 (IEC 60038:2009) определяет стандартное напряжение равным 230 В с возможностью использования 220 В.

Сейчас в большинство сетей электричество подают напряжение 220 В. Если же параметр тока приведен к международному стандарту 230 В, то можно пересчитать номиналы в соответствии с этим значением.

Выводы и полезное видео по теме

Устройство выключателя. Выбор вводного автомата в зависимости от подключаемой мощности. Правила распределения питания:

Выбор выключателя по пропускной способности кабеля:

Расчет номинального тока выключателя – сложная задача, для решения которой необходимо учесть множество условий. От установленного автомата зависит удобство обслуживания и безопасность работы локальной электросети.

В случае возникновения сомнений в возможности сделать правильный выбор необходимо обратиться к опытным электрикам.

Пишите, пожалуйста, комментарии в находящемся ниже блоке. Расскажите о собственном опыте в подборе автоматических выключателей. Поделитесь полезной информацией и фото по теме статьи, задавайте вопросы.

Собирая электрощиток или подключая новую крупную бытовую технику, домашний мастер обязательно столкнется с такой проблемой как необходимость подбора автоматических выключателей. Они обеспечивают электро и пожарную безопасность, потому правильный выбор автомата — залог безопасности вас, семьи и имущества.

Для чего служит автомат

В цепи электропитания автомат ставят для предупреждения перегрева проводки. Любая проводка рассчитана на прохождение какого-то определенного тока. Если пропускаемый ток превышает это значение, проводник начинает слишком сильно греться. Если такая ситуация сохраняется достаточный промежуток времени, начинает плавиться проводка, что приводит к короткому замыканию. Автомат защиты ставят чтобы предотвратить эту ситуацию.

Пакетник или автомат защиты необходим для предотвращения перегрева проводников и отключения в случае КЗ

Вторая задача автомата защиты — при возникновении тока короткого замыкания (КЗ) отключить питание. При замыкании токи в цепи возрастают многократно и могут достигать тысяч ампер. Чтобы они не разрушили проводку и не повредили аппаратуру, включенную в линию, автомат защиты должен отключить питание как можно быстрее — как только ток превысит определенный предел.

Чтобы защитный автоматический выключатель исправно выполнял свои функции, необходимо правильно сделать выбор автомата по всем параметрам. Их не так много — всего три, но с каждой надо разбираться.

Какие бывают автоматы защиты

Для защиты проводников однофазной сети 220 В есть отключающие устройства однополюсные и двухполюсныве. К однополюсным подключается только один проводник — фазный, к двухполюсным и фаза и ноль. Однополюсные автоматы ставят на цепи внутреннего освещения, на розеточные группы в помещениях с нормальными условиями эксплуатации.

В помещениях с повышенной влажностью (ванная комната, баня, бассейн и т.д.) ставят двухполюсные автоматические выключатели. Их также рекомендуют устанавливать на мощную технику — на стиральные и посудомоечные машины, бойлеры, духовые шкафы и т.д.

Просто в аварийных ситуациях — при коротком замыкании или пробое изоляции — на нулевой провод может попасть фазное напряжение. Если на линии питания установлен однополюсный аппарат, он отключит фазный провод, а ноль с опасным напряжением так и останется подключенным. А значит, остается вероятность поражения током при прикосновении. То есть, выбор автомата прост — на часть линий ставятся однополюсные выключатели, на часть — двухполюсные. Конкретное количество зависит от состояния сети.

Автоматы для однофазной сети

Для трехфазной сети существуют трехполюсные автоматические выключатели. Такой автомат ставится на входе и на потребителях, к которым подводятся все три фазы — электроплита, трехфазная варочная панель, духовой шкаф и т.д. На остальных потребителей ставят двухполюсные автоматы защиты. Они в обязательном порядке должны отключать и фазу и нейтраль.

Пример разводки трехфазной сети — типы автоматов защиты

Выбор номинала автомата защиты от количества подключаемых к нему проводов не зависит.

Определяемся с номиналом

Собственно, из функций защитного автомата и следует правило определения номинала автомата защиты: он должен срабатывать до того момента, когда ток превысит возможности проводки. А это значит, что токовый номинал автомата должен быть меньше чем максимальный ток, который выдерживает проводка.

На каждую линию требуется правильно выбрать автомат защиты

Исходя из этого, алгоритм выбора автомата защиты прост:

  • Рассчитываете сечение проводки для конкретного участка.
  • Смотрите, какой максимальный ток выдерживает данный кабель (есть в таблице).
  • Далее из всех номиналов защитных автоматов выбираем ближайший меньший. Номиналы автоматов привязаны к допустимым длительным токам нагрузки для конкретного кабеля — они имеют немного меньший номинал (есть в таблице). Выглядит перечень номиналов следующим образом: 16 А, 25 А, 32 А, 40 А, 63 А. Вот из этого списка и выбираете подходящий. Есть номиналы и меньше, но они уже практически не используются — слишком много электроприборов у нас появилось и имеют они немалую мощность.

Алгоритм очень прост, но работает безошибочно. Чтобы было понятнее, давайте разберем на примере. Ниже приведена таблица в которой указаны максимально допустимый ток для проводников, которые используют при прокладке проводки в доме и квартире. Там же даны рекомендации относительно использования автоматов. Они даны в колонке «Номинальный ток автомата защиты». Именно там ищем номиналы — он немного меньше предельно допустимого, чтобы проводка работала в нормальном режиме.

В таблице находим выбранное сечение провода для данной линии. Пусть нам необходимо проложить кабель сечением 2,5 мм 2 (наиболее распространенный при прокладке к приборам средней мощности). Проводник с таким сечением может выдержать ток в 27 А, а рекомендуемый номинал автомата — 16 А.

Как будет тогда работать цепь? До тех пор, пока ток не превышает 25 А автомат не отключается, все работает в штатном режиме — проводник греется, но не до критических величин. Когда ток нагрузки начинает возрастать и превышает 25 А, автомат еще некоторое время не отключается — возможно это стартовые токи и они кратковременны. Отключается он если достаточно длительное время ток превысит 25 А на 13%. В данном случае — если он достигнет 28,25 А. Тогда электропакетник сработает, обесточит ветку, так как это ток уже представляет угрозу для проводника и его изоляции.

Расчет по мощности

Можно ли выбрать автомат по мощности нагрузки? Если к линии электропитания будет подключено только одно устройство (обычно это крупная бытовая техника с большой потребляемой мощностью), то допустимо сделать расчет по мощности этого оборудования. Так же по мощности можно выбрать вводный автомат, который устанавливается на входе в дом или в квартиру.

Если ищем номинал вводного автомата, необходимо сложить мощности всех приборов, которые будут подключены к домовой сети. Затем найденная суммарная мощность подставляется в формулу, находится рабочий ток для этой нагрузки.

Формула для вычисления тока по суммарной мощности

После того, как нашли ток, выбираем номинал. Он может быть или чуть больше или чуть меньше найденного значения. Главное, чтобы его ток отключения не превышал предельно допустимый ток для данной проводки.

Когда можно пользоваться данным методом? Если проводка заложена с большим запасом (это неплохо, кстати). Тогда в целях экономии можно установить автоматически выключатели соответствующие нагрузке, а не сечению проводников. Но еще раз обращаем внимание, что длительно допустимый ток для нагрузки должен быть больше предельного тока защитного автомата. Только тогда выбор автомата защиты будет правильным.

Выбираем отключающую способность

Выше описан выбор пакетника по максимально допустимому току нагрузки. Но автомат защиты сети также должен отключаться при возникновении с сети КЗ (короткого замыкания). Эту характеристику называют отключающей способностью. Она отображается в тысячах ампер — именного такого порядка могут достигать токи при коротком замыкании. Выбор автомата по отключающей способности не очень сложен.

Эта характеристика показывает, при каком максимальном значении тока КЗ автомат сохраняет свою работоспособность, то есть, он сможет не только отключится, но и будет работать после повторного включения. Эта характеристика зависит от многих факторов и для точного подбора необходимо определять токи КЗ. Но для проводки в доме или квартире такие расчеты делают очень редко, а ориентируются на удаленность от трансформаторной подстанции.

Отключающая способность автоматических защитных выключателей

Если подстанция находится недалеко от ввода в ваш дом/квартиру, берут автомат с отключающей способностью 10 000 А, для всех остальных городских квартир достаточно 6 000 А. Если же дом находится в сельской местности иди вы выбираете автомат защиты электросети для дачи, вполне может хватить и отключающей способности в 4 500 А. Сети тут обычно старые и токи КЗ большими не бывают. А так как с возрастанием отключающей способности цена возрастает значительно, можно применить принцип разумной экономии.

Можно ли в городских квартирах ставить пакетики с более низкой отключающей способностью. В принципе, можно, но никто не гарантирует, что после первого же КЗ вам не придется его менять. Он может успеть отключить сеть, но окажется при этом неработоспособным. В худшем варианте контакты расплавятся и отключиться автомат не успеет. Тогда проводка расплавится и может возникнуть пожар.

Тип электромагнитного расцепителя

Автомат должен срабатывать при повышении тока выше определенной отметки. Но в сети периодически возникают кратковременные перегрузки. Обычно они связаны с пусковыми токами. Например, такие перегрузки могут наблюдаться при включении компрессора холодильника, мотора стиральной машины и т.д. Автоматический выключатель при таких временных и краткосрочных перегрузках отключаться не должен, потому у них есть определенная задержка на срабатывание.

Но если ток возрос не из-за перегрузки а из-за КЗ, то за время, которое «выжидает» автоматический выключатель, контакты его расплавятся. Вот для этого и существует электромагнитный автоматический расцепитель. Он срабатывает при определенной величине тока, которая уже не может быть перегрузкой. Этот показатель называют еще током отсечки, так как в этом случае автоматический выключатель отсекает линию от электропитания. Величина тока срабатывания может быть разной и отображается буквами, которые стоят перед цифрами, обозначающими номинал автомата.

Есть три самых ходовых типа:

  • B — срабатывает при превышении номинального тока в 3-5 раз;
  • C — если он превышен в 5-10 раз;
  • D — если больше в 10-20 раз.

Класс автомата или тока отсечки

С какой же характеристикой выбрать пакетник? В данном случае выбор автомата защиты также основывается на отдаленности вашего домовладения от подстанции и состояния электросетей выбор автомата защиты проводят ползуясь простыми правилами:

  • С буквой «B» на корпусе подходят для дач, домов селах и поселках, которые получают электропитание через воздушки. Также их можно ставить в квартиры старых домов, в которых реконструкция внутридомовой электросети не производилась. Эти защитные автоматы далеко не всегда есть в продаже, стоят немного дороже категории С, но могут доставляться под заказ.
  • Пакетники с «C» на корпусе — это наиболее широко распространенный вариант. Они ставятся в сетях с нормальным состоянием, подходят для квартир в новостройках или после капремонта, в частных домах недалеко от подстанции.
  • Класс D ставят на предприятиях, в мастерских с оборудованием, имеющим высокие пусковые токи.

То есть по сути выбор автомата защиты в этом случае прост — для большинства случаев подходит тип C. Он и есть в магазинах в большом ассортименте.

Каким производителям стоит доверять

И напоследок уделим внимание производителям. Выбор автомата нельзя считать завершенным, если вы не подумали о том, какой фирмы автоматические выключатели вы будете покупать. Точно не стоит брать неизвестные фирмы — электрика не та область, где можно ставить эксперименты.

Выбор автомата защиты: по току, нагрузке, сечению провода


Правильный выбор автомата – залог безопасности для вас, ваших близких. Как самостоятельно выбрать номинал, остальные характеристики – читайте дальше.

Выбор автоматического выключателя по мощности

При проектировании электросети нового дома, для подключения новых мощных приборов, в процессе модернизации электрощита приходится осуществлять выбор автоматического выключателя для надёжной электрической безопасности.

Некоторые пользователи небрежно относятся к данной задаче, и могут не задумываясь подключить любой имеющийся автомат, лишь бы работало, или при выборе ориентируются по таким критериям: подешевле, чтоб не сильно по карману било, или по мощней, чтобы лишний раз не выбивало.

Очень часто такая халатность и незнание элементарных правил выбора номинала предохранительного устройства приводит к фатальным последствиям. Данная статья ознакомит с основными критериями защиты электропроводки от перегрузки и короткого замыкания, для возможности правильного выбора защитного автомата соответственно мощности потребления электроэнергии.

Коротко принцип работы и предназначение защитных автоматов

Автоматический выключатель при коротком замыкании срабатывает практически моментально благодаря электромагнитному расщепителю. При определённом превышении номинального значения тока нагревающаяся биметаллическая пластина отключит напряжение спустя некоторое время, которое можно узнать из графика время токовой характеристики.

Данное предохранительное устройство защищает проводку от КЗ и сверх токов, превышающих расчётное значение для данного сечения провода, которые могут разогреть токопроводящие жилы до температуры плавления и возгорания изоляции. Чтобы этого не произошло, нужно не только правильно подобрать защитный выключатель, соответствующий мощности подключаемых устройств, но и проверить, выдержит ли имеющаяся сеть такие нагрузки.

Внешний вид трех полюсного автоматического выключателя

Провода должны соответствовать нагрузке

Очень часто бывает, что в старом доме устанавливается новый электросчётчик, автоматы, УЗО, но проводка остаётся старой. Покупается много бытовой техники, суммируется мощность и под неё подбирается автомат, который исправно держит нагрузку всех включённых электроприборов.

Вроде всё правильно, но вдруг изоляция проводов начинает выделять характерный запах и дым, появляется пламя, а защита не срабатывает. Это может случиться, если параметры электропроводки не рассчитаны на такой ток.

Допустим, поперечное сечение жилы старого кабеля — 1,5мм², с максимально допустимым пределом по току в 19А. Принимаем, что одновременно к нему подключили несколько электроприборов, составляющих суммарную нагрузку 5кВт, что в токовом эквиваленте составляет приблизительно 22,7А, ему соответствует автомат 25А.

Провод будет разогреваться, но данный автомат будет оставаться включённым все время, пока не произойдёт расплавление изоляции, что повлечёт короткое замыкание, а пожар уже может разгораться полным ходом.

кабель силовой NYM

Защитить самое слабое звено электропроводки

Поэтому, прежде чем сделать выбор автомата соответственно защищаемой нагрузке, нужно удостовериться, что проводка данную нагрузку выдержит.

Согласно ПУЭ 3.1.4 автомат должен защищать от перегрузок самый слабый участок электрической цепи, или выбираться с номинальным током, соответствующим токам подключаемых электроустановок, что опять же подразумевает их подключение проводниками с требуемым поперечным сечением.

При игнорировании этого правила не стоит нарекать на неправильно рассчитанный автомат и проклинать его производителя, если слабое звено электропроводки вызовет пожар.

Расплавленная изоляция проводов

Расчет номинала автомата

Допускаем, что проводка новая, надёжная, правильно рассчитанная, и соответствует всем требованиям. В этом случае выбор автоматического выключателя сводится к определению подходящего номинала из типичного ряда значений, исходя из расчетного тока нагрузки, который вычисляется по формуле:

где Р – суммарная мощность электроприборов.

Подразумевается активная нагрузка (освещение, электронагревательные элементы, бытовая техника). Такой расчет полностью подходит для домашней электросети в квартире.

Допустим расчет мощности произведён: Р=7,2 кВт. I=P/U=7200/220=32,72 А. Выбираем подходящий автомат на 32А из ряда значений: 1, 2, 3, 6, 10, 16, 20, 25, 32, 40, 63, 80, 100.

Данный номинал немного меньше расчётного, но ведь практически не бывает одновременного включения всех электроприборов в квартире. Также стоит учитывать, что на практике срабатывание автомата начинается со значения в 1,13 раза больше от номинального, из-за его времятоковой характеристики, то есть 32*1,13=36,16А.

Для упрощения выбора защитного автомата существует таблица, где номиналы автоматов соответствуют мощности однофазной и трёхфазной нагрузки:

Таблица выбора автомата по току

Найденный по формуле в вышеприведённом примере номинал наиболее близок по значению мощности, которое указано в выделенной красном ячейке. Также, если вы хотите рассчитать ток для трехфазной сети, при выборе автомата, ознакомьтесь со статьей про расчет и выбор сечения провода

Подбор защитных автоматов для электрических установок (электродвигателей, трансформаторов) с реактивной нагрузкой, как правило, не производится по мощности. Номинал и тип время токовой характеристики автоматического выключателя подбирается соответственно рабочему и пусковому току, указанному в паспорте данного устройства.

Подбор автоматического выключателя по мощности

Выбор защитных автоматических выключателей производится не только в ходе установки новой электрической сети, но и при модернизации электрощита, а также при включении в цепь дополнительных мощных приборов, повышающих нагрузку до такого уровня, с которым старые устройства аварийного отключения не справляются. И в этой статье речь пойдет о том, как правильно производить подбор автомата по мощности, что следует учитывать в ходе этого процесса и каковы его особенности.

Непонимание важности этой задачи может привести к очень серьезным проблемам. Ведь зачастую пользователи не утруждают себя, производя выбор автоматического выключателя по мощности, и берут в магазине первое попавшееся устройство, пользуясь одним из двух принципов – «подешевле» или «помощнее». Такой подход, связанный с неумением или нежеланием рассчитать суммарную мощность устройств, включенных в электросеть, и в соответствии с ней подобрать защитный автомат, зачастую становится причиной выхода дорогостоящей техники из строя при коротком замыкании или даже пожара.

Для чего нужны защитные автоматы и как они работают?

Современные АВ имеют две степени защиты: тепловую и электромагнитную. Это позволяет обезопасить линию от повреждения в результате длительного превышения протекающим током номинальной величины, а также короткого замыкания.

Основным элементом теплового расцепителя является пластина из двух металлов, которая так и называется – биметаллической. Если на нее в течение достаточно длительного времени воздействует ток повышенной мощности, она становится гибкой и, воздействуя на отключающий элемент, вызывает срабатывание автомата.

Наличием электромагнитного расцепителя обусловлена отключающая способность автоматического выключателя при воздействии на цепь сверхтоков короткого замыкания, выдержать которые она не сможет.

Расцепитель электромагнитного типа представляет собой соленоид с сердечником, который при прохождении сквозь него тока высокой мощности моментально сдвигается в сторону отключающего элемента, выключая защитное устройство и обесточивая сеть.

Это позволяет обеспечить защиту провода и приборов от потока электронов, величина которого намного выше расчетной для кабеля конкретного сечения.

Чем опасно несоответствие кабеля сетевой нагрузке?

Правильный подбор защитного автомата по мощности – очень важная задача. Неверно выбранное устройство не защитит линию от внезапного возрастания силы тока.

Но не менее важно правильно подобрать по сечению кабель электропроводки. В противном случае, если суммарная мощность превысит номинальную величину, которую способен выдерживать проводник, это приведет к значительному росту температуры последнего. В итоге изоляционный слой начнет плавиться, что может привести к возгоранию.

Чтобы более наглядно представить, чем грозит несоответствие сечения проводки суммарной мощности включенных в сеть устройств, рассмотрим такой пример.

Новые хозяева, купив квартиру в старом доме, устанавливают в ней несколько современных бытовых приборов, дающих суммарную нагрузку на цепь, равную 5 кВт. Токовый эквивалент в этом случае будет составлять около 23 А. В соответствии с этим в цепь включается защитный автомат на 25 А. Казалось бы, выбор автомата по мощности сделан верно, и сеть готова к эксплуатации. Но через некоторое время после включения приборов в доме появляется задымление с характерным запахом горелой изоляции, а через некоторое время возникает пламя. Автоматический выключатель при этом не будет отключать сеть от питания – ведь номинал тока не превышает допустимого.

Если хозяина в этот момент не окажется поблизости, расплавленная изоляция через некоторое время вызовет короткое замыкание, которое, наконец, спровоцирует срабатывание автомата, но пламя от проводки может уже распространиться по всему дому.

Причина в том, что хотя расчет автомата по мощности был сделан правильно, кабель проводки сечением 1,5 мм² был рассчитан на 19 А и не мог выдержать имеющейся нагрузки.

Чтобы вам не пришлось браться за калькулятор и самостоятельно высчитывать сечение электропроводки по формулам, приведем типовую таблицу, в которой легко найти нужное значение.

Защита слабого звена электроцепи

Итак, мы убедились, что расчет автоматического выключателя должен производиться, исходя не только из суммарной мощности включенных в цепь устройств (независимо от их количества), но и из сечения проводов. Если этот показатель неодинаков на протяжении электрической линии, то выбираем участок с наименьшим сечением и производим расчет автомата, исходя из этого значения.

Требования ПУЭ гласят, что выбранный автоматический выключатель должен обеспечивать защиту наиболее слабого участка электроцепи, или иметь номинал тока, который будет соответствовать аналогичному параметру включенных в сеть установок. Это также означает, что для подключения должны использоваться провода, поперечное сечение которых позволит выдержать суммарную мощность подключенных устройств.

Если нерадивый хозяин проигнорирует это правило, то в случае аварийной ситуации, возникшей из-за недостаточной защиты наиболее слабого участка проводки, ему не стоит винить выбранное устройство и ругать производителя – виновником сложившейся ситуации будет только он сам.

Как рассчитать номинал автоматического выключателя?

Допустим, что мы учли все вышесказанное и подобрали новый кабель, соответствующий современным требованиям и имеющий нужное сечение. Теперь электропроводка гарантированно выдержит нагрузку от включенных бытовых приборов, даже если их достаточно много. Теперь переходим непосредственно к выбору автоматического выключателя по номиналу тока. Вспоминаем школьный курс физики и определяем расчетный ток нагрузки, подставляя в формулу соответствующие значения: I=P/U.

Здесь I – величина номинального тока, P – суммарная мощность включенных в цепь установок (с учетом всех потребителей электричества, в том числе и лампочек), а U – напряжение сети.

Чтобы упростить выбор защитного автомата и избавить вас от необходимости браться за калькулятор, приведем таблицу, в которой указаны номиналы АВ, которые включаются в однофазные и трехфазные сети, и соответствующие им мощности суммарной нагрузки.

Эта таблица позволит легко определить, сколько киловатт нагрузки какому номинальному току защитного устройства соответствуют. Как мы видим, автомату 25 Ампер в сети с однофазным подключением и напряжением 220 В соответствует мощность 5,5 кВт, для АВ на 32 Ампера в аналогичной сети – 7,0 кВт (в таблице это значение выделено красным цветом). В то же время для электрической сети с трехфазным подключением «треугольник» и номинальным напряжением 380 В автомату на 10 Ампер соответствует мощность суммарной нагрузки 11,4 кВт.

Заключение

В представленном материале мы рассказали о том, для чего нужны и как работают устройства защиты электрической цепи. Кроме того, учитывая изложенную информацию и приведенные табличные данные, у вас не вызовет затруднения вопрос, как выбрать автоматический выключатель.

Как правильно провести выбор автомата по мощности нагрузки

Автоматический выключатель предназначается для защиты электрической сети, к которой подключены потребители. При этом суммарная мощность потребителей не должна превышать мощность самого автомата. Поэтому необходимо правильно проводить выбор автомата по мощности нагрузки. Как это можно сделать, существует ли один способ выбора или их несколько?

Способы выбора

Сразу же оговоримся, что способов несколько. Но какой бы вы не выбрали, в первую очередь необходимо определить суммарную нагрузку в сети. Как рассчитать этот показатель? Для этого придется разобраться со всеми бытовыми приборами, которые устанавливаются на участок питающей сети. Чтобы не быть голословным, приведем пример такой сети, в которую обычно подключается большое количество бытовой техники. Это кухня.

Итак, на кухне обычно располагается:

  • Холодильник с потребляемой мощностью 500 Вт.
  • Микроволновая печь – 1 кВт.
  • Электрический чайник – 1,5 кВт.
  • Вытяжка – 100 Вт.

Это практически стандартный набор, который может быть чуть больше, или чуть меньше. Складывая все эти показатели, получаем суммарную мощность участка, которая равна 3,1 кВт. А вот теперь способы определения нагрузки и сам выбор автомата.

Табличный способ

Это самый простой вариант правильно выбрать автоматический выключатель. Для этого вам потребуется таблица, в которой по суммарной показателю можно подобрать автомата (одно- или трехфазный). Вот эта таблица выбора внизу:

Здесь все достаточно просто. Самое важное, необходимо понимать, что расчетная суммарная мощность может оказаться не той, что в таблице. Поэтому придется расчетный показатель увеличивать до табличного. По нашему примеру видно, что потребляемая мощность участка равна 3,1 квт. Такого показателя в таблице нет, поэтому берем ближайший больший. А это 3,5 кВт, которому соответствует автомат на 16 ампер.

Графический способ

Это практически то же самое, что и табличный. Только вместо таблицы здесь используется график. Они также находятся в свободном доступе в интернете. Для примера приводим один из таковых.

На графике по горизонтали расположены автоматические выключатели с показателем токовой нагрузки, по вертикали потребляемая мощность участка сети. Чтобы определить мощность выключателя, необходимо сначала на вертикальной оси найти полученную расчетным путем потребляемую мощность, после чего от него провести горизонтальную линию до зеленого столбика, определяющего номинальный ток автомата. Вы можете самостоятельно проделать это с нашим примером, который показывает, что наш расчет и подбор был сделан правильно. То есть, такой мощности соответствует автомат с нагрузкой 16А.

Нюансы выбора

Сегодня необходимо учитывать тот факт, что количество удобной бытовой техники расчет, и каждый человек старается обзавестись новыми приборами, тем самым облегчая свой быт. А это значит, что увеличивая количество техники, мы увеличиваем и нагрузку на сеть. Поэтому специалисты рекомендуют при проведении расчета мощности автомата использовать повышающий коэффициент.

Вернемся к нашему примеру. Представьте себе, что хозяин квартиры приобрел кофе-машину на 1,5 кВт. Соответственно суммарный мощностной показатель будет равен 4,6 кВт. Конечно, это больше мощности выбранного нами автоматического выключателя (16А). И если одновременно все аппараты будут включены (плюс и кофе-машина), то автомат тут же сбросит и разъединит цепь.

Можно пересчитать все показатели, купить новый автомат и сделать переустановку. В принципе, это все несложно. Но оптимально будет, если заранее предвидеть эту ситуацию, тем более она стандартная в наши дни. Точно предвидеть, какая бытовая техника дополнительно может быть установлена, сложно. Поэтому самый простой вариант – увеличить суммарный расчетный показатель на 50%. То есть, использовать повышающий коэффициент 1,5. Опять возвращаемся к нашему примеру, где будет вот такой конечный результат:

3,1х1,5=4,65 кВт. Возвращаемся к одному из способов определения токовой нагрузки, в котором будет показано, что для такого показателя потребуется автомат 25 ампер.

Для некоторых случаев можно использовать понижающий коэффициент. К примеру, недостаточное количество розеток, чтобы одновременно работали сразу все приборы. Это может быть одна розетка для электрочайника и кофе-машины. То есть, одновременно эти два прибора включить нет возможности.

Внимание! Когда дело касается повышения токовой нагрузки на сетевом участке, необходимо менять не только автомат, но и проверить, выдержит ли нагрузку электропроводка, для чего рассматривается сечение уложенных проводов. Если сечение не соответствует нормам, то проводку лучше поменять.

Выбор трехфазного автомата

Обойти стороной в этой статье трехфазные автоматы, предназначенные для сети напряжением 380 вольт, нельзя. Тем более в таблицах они указаны. Здесь немного другой подход к выбору, в основе которого лежит предварительный расчет токовой нагрузки. Вот его упрощенный вариант.

  • Сначала определяется суммарная мощность всех приборов и источников освещения, которые подключены к автомату.
  • Полученный результат умножается на коэффициент 1,52. Это и есть ток нагрузки.
  • Далее, выбираем автоматический выключатель по таблице.

Но учтите, что номинальная сила тока должна быть больше расчетной минимум на 15%. Это первое. Второе – данный расчет можно использовать только в том случае, если на трех фазах сети потребления будет одинаковая нагрузка или приближенная к одному показателю. Если на одной из фаз нагрузка больше, чем на двух других, то автомат выбирается именно по этой высокой нагрузке. Но учитывайте тот момент, что для расчета нагрузки в данном случае используется коэффициент 4,55, так как учитывается одна фаза.

Выбор автомата по мощности нагрузки: способы и нюансы


Необходимо правильно проводить выбор автомата по мощности нагрузки. Как это можно сделать, существует ли один способ выбора или их несколько?

Собирая электрощиток или подключая новую крупную бытовую технику, домашний мастер обязательно столкнется с такой проблемой как необходимость подбора автоматических выключателей. Они обеспечивают электро и пожарную безопасность, потому правильный выбор автомата — залог безопасности вас, семьи и имущества.

Для чего служит автомат

В цепи электропитания автомат ставят для предупреждения перегрева проводки. Любая проводка рассчитана на прохождение какого-то определенного тока. Если пропускаемый ток превышает это значение, проводник начинает слишком сильно греться. Если такая ситуация сохраняется достаточный промежуток времени, начинает плавиться проводка, что приводит к короткому замыканию. Автомат защиты ставят чтобы предотвратить эту ситуацию.

Вторая задача автомата защиты — при возникновении тока короткого замыкания (КЗ) отключить питание. При замыкании токи в цепи возрастают многократно и могут достигать тысяч ампер. Чтобы они не разрушили проводку и не повредили аппаратуру, включенную в линию, автомат защиты должен отключить питание как можно быстрее — как только ток превысит определенный предел.

Чтобы защитный автоматический выключатель исправно выполнял свои функции, необходимо правильно сделать выбор автомата по всем параметрам. Их не так много — всего три, но с каждой надо разбираться.

Какие бывают автоматы защиты

Для защиты проводников однофазной сети 220 В есть отключающие устройства однополюсные и двухполюсные. К однополюсным подключается только один проводник — фазный, к двухполюсным и фаза и ноль. Однополюсные автоматы ставят на цепи 220 В внутреннего освещения, на розеточные группы в помещениях с нормальными условиями эксплуатации. Их также ставят на некоторые виды нагрузки в трехфазных сетях, подключая одну из фаз.

Для трехфазных сетей (380 В) есть трех и четырех полюсные. Вот эти автоматы защиты (правильное название автоматический выключатель) ставят на трехфазную нагрузку (духовки, варочные панели и другое оборудование которое работает от сети 380 В).

В помещениях с повышенной влажностью (ванная комната, баня, бассейн и т.д.) ставят двухполюсные автоматические выключатели. Их также рекомендуют устанавливать на мощную технику — на стиральные и посудомоечные машины, бойлеры, духовые шкафы и т.д.

Просто в аварийных ситуациях — при коротком замыкании или пробое изоляции — на нулевой провод может попасть фазное напряжение. Если на линии питания установлен однополюсный аппарат, он отключит фазный провод, а ноль с опасным напряжением так и останется подключенным. А значит, остается вероятность поражения током при прикосновении. То есть, выбор автомата прост — на часть линий ставятся однополюсные выключатели, на часть — двухполюсные. Конкретное количество зависит от состояния сети.

Для трехфазной сети существуют трехполюсные автоматические выключатели. Такой автомат ставится на входе и на потребителях, к которым подводятся все три фазы — электроплита, трехфазная варочная панель, духовой шкаф и т.д. На остальных потребителей ставят двухполюсные автоматы защиты. Они в обязательном порядке должны отключать и фазу и нейтраль.

Пример разводки трехфазной сети — типы автоматов защиты

Выбор номинала автомата защиты от количества подключаемых к нему проводов не зависит.

Определяемся с номиналом

Собственно, из функций защитного автомата и следует правило определения номинала автомата защиты: он должен срабатывать до того момента, когда ток превысит возможности проводки. А это значит, что токовый номинал автомата должен быть меньше чем максимальный ток, который выдерживает проводка.

Исходя из этого, алгоритм выбора автомата защиты прост:

  • для конкретного участка.
  • Смотрите, какой максимальный ток выдерживает данный кабель (есть в таблице).
  • Далее из всех номиналов защитных автоматов выбираем ближайший меньший. Номиналы автоматов привязаны к допустимым длительным токам нагрузки для конкретного кабеля — они имеют немного меньший номинал (есть в таблице). Выглядит перечень номиналов следующим образом: 16 А, 25 А, 32 А, 40 А, 63 А. Вот из этого списка и выбираете подходящий. Есть номиналы и меньше, но они уже практически не используются — слишком много электроприборов у нас появилось и имеют они немалую мощность.

Пример

Алгоритм очень прост, но работает безошибочно. Чтобы было понятнее, давайте разберем на примере. Ниже приведена таблица в которой указаны максимально допустимый ток для проводников, которые используют при . Там же даны рекомендации относительно использования автоматов. Они даны в колонке «Номинальный ток автомата защиты». Именно там ищем номиналы — он немного меньше предельно допустимого, чтобы проводка работала в нормальном режиме.

Сечение жил медных проводов Допустимый длительный ток нагрузки Максимальная мощность нагрузки для однофазной сети 220 В Номинальный ток защитного автомата Предельный ток защитного автомата
1,5 кв. мм 19 А 4,1 кВт 10 А 16 А освещение и сигнализация
2,5 кв. мм 27 А 5,9 кВт 16 А 25 А розеточные группы и электрический теплый пол
4 кв.мм 38 А 8,3 кВт 25 А 32 А кондиционеры и водонагреватели
6 кв.мм 46 А 10,1 кВт 32 А 40 А электрические плиты и духовые шкафы
10 кв. мм 70 А 15,4 кВт 50 А 63 А вводные линии

В таблице находим выбранное сечение провода для данной линии. Пусть нам необходимо проложить кабель сечением 2,5 мм 2 (наиболее распространенный при прокладке к приборам средней мощности). Проводник с таким сечением может выдержать ток в 27 А, а рекомендуемый номинал автомата — 16 А.

Как будет тогда работать цепь? До тех пор, пока ток не превышает 25 А автомат не отключается, все работает в штатном режиме — проводник греется, но не до критических величин. Когда ток нагрузки начинает возрастать и превышает 25 А, автомат еще некоторое время не отключается — возможно это стартовые токи и они кратковременны. Отключается он если достаточно длительное время ток превысит 25 А на 13%. В данном случае — если он достигнет 28,25 А. Тогда электропакетник сработает, обесточит ветку, так как это ток уже представляет угрозу для проводника и его изоляции.

Расчет по мощности

Можно ли выбрать автомат по мощности нагрузки? Если к линии электропитания будет подключено только одно устройство (обычно это крупная бытовая техника с большой потребляемой мощностью), то допустимо сделать расчет по мощности этого оборудования. Так же по мощности можно выбрать вводный автомат, который устанавливается на входе в дом или в квартиру.

Если ищем номинал вводного автомата, необходимо сложить мощности всех приборов, которые будут подключены к домовой сети. Затем найденная суммарная мощность подставляется в формулу, находится рабочий ток для этой нагрузки.

После того, как нашли ток, выбираем номинал. Он может быть или чуть больше или чуть меньше найденного значения. Главное, чтобы его ток отключения не превышал предельно допустимый ток для данной проводки.

Когда можно пользоваться данным методом? Если проводка заложена с большим запасом (это неплохо, кстати). Тогда в целях экономии можно установить автоматически выключатели соответствующие нагрузке, а не сечению проводников. Но еще раз обращаем внимание, что длительно допустимый ток для нагрузки должен быть больше предельного тока защитного автомата. Только тогда выбор автомата защиты будет правильным.

Выбираем отключающую способность

Выше описан выбор пакетника по максимально допустимому току нагрузки. Но автомат защиты сети также должен отключаться при возникновении с сети КЗ (короткого замыкания). Эту характеристику называют отключающей способностью. Она отображается в тысячах ампер — именного такого порядка могут достигать токи при коротком замыкании. Выбор автомата по отключающей способности не очень сложен.

Эта характеристика показывает, при каком максимальном значении тока КЗ автомат сохраняет свою работоспособность, то есть, он сможет не только отключится, но и будет работать после повторного включения. Эта характеристика зависит от многих факторов и для точного подбора необходимо определять токи КЗ. Но для проводки в доме или квартире такие расчеты делают очень редко, а ориентируются на удаленность от трансформаторной подстанции.

Если подстанция находится недалеко от ввода в ваш дом/квартиру, берут автомат с отключающей способностью 10 000 А, для всех остальных городских квартир достаточно 6 000 А. Если же дом находится в сельской местности иди вы выбираете автомат защиты электросети для дачи, вполне может хватить и отключающей способности в 4 500 А. Сети тут обычно старые и токи КЗ большими не бывают. А так как с возрастанием отключающей способности цена возрастает значительно, можно применить принцип разумной экономии.

Можно ли в городских квартирах ставить пакетики с более низкой отключающей способностью. В принципе, можно, но никто не гарантирует, что после первого же КЗ вам не придется его менять. Он может успеть отключить сеть, но окажется при этом неработоспособным. В худшем варианте контакты расплавятся и отключиться автомат не успеет. Тогда проводка расплавится и может возникнуть пожар.

Тип электромагнитного расцепителя

Автомат должен срабатывать при повышении тока выше определенной отметки. Но в сети периодически возникают кратковременные перегрузки. Обычно они связаны с пусковыми токами. Например, такие перегрузки могут наблюдаться при включении компрессора холодильника, мотора стиральной машины и т.д. Автоматический выключатель при таких временных и краткосрочных перегрузках отключаться не должен, потому у них есть определенная задержка на срабатывание.

Но если ток возрос не из-за перегрузки а из-за КЗ, то за время, которое «выжидает» автоматический выключатель, контакты его расплавятся. Вот для этого и существует электромагнитный автоматический расцепитель. Он срабатывает при определенной величине тока, которая уже не может быть перегрузкой. Этот показатель называют еще током отсечки, так как в этом случае автоматический выключатель отсекает линию от электропитания. Величина тока срабатывания может быть разной и отображается буквами, которые стоят перед цифрами, обозначающими номинал автомата.

Есть три самых ходовых типа:


С какой же характеристикой выбрать пакетник? В данном случае выбор автомата защиты также основывается на отдаленности вашего домовладения от подстанции и состояния электросетей выбор автомата защиты проводят ползуясь простыми правилами:

  • С буквой «B» на корпусе подходят для дач, домов селах и поселках, которые получают электропитание через воздушки. Также их можно ставить в квартиры старых домов, в которых реконструкция внутридомовой электросети не производилась. Эти защитные автоматы далеко не всегда есть в продаже, стоят немного дороже категории С, но могут доставляться под заказ.
  • Пакетники с «C» на корпусе — это наиболее широко распространенный вариант. Они ставятся в сетях с нормальным состоянием, подходят для квартир в новостройках или после капремонта, в частных домах недалеко от подстанции.
  • Класс D ставят на предприятиях, в мастерских с оборудованием, имеющим высокие пусковые токи.

То есть по сути выбор автомата защиты в этом случае прост — для большинства случаев подходит тип C. Он и есть в магазинах в большом ассортименте.

Каким производителям стоит доверять

И напоследок уделим внимание производителям. Выбор автомата нельзя считать завершенным, если вы не подумали о том, какой фирмы автоматические выключатели вы будете покупать. Точно не стоит брать неизвестные фирмы — электрика не та область, где можно ставить эксперименты. Подробно о выборе производителя в видео.

Статья рассчитана на тех, кто имеет познания в электротехнике в объеме средней школы и желает ознакомиться с применением электротехнических расчетов в некоторых случаях повседневной жизни. Отзывы и пожелания по добавлению других расчетов просьба писать в комментариях.

1. Расчет величины переменного электрического тока при однофазной нагрузке.

Предположим, что у нас обычный дом или квартира в которой имеется электрическая сеть переменного тока напряжением 220 вольт.

В доме имеются электроприборы:

1. Для освещения дома установлены 5 электролампочек по 100 ватт каждая и 8 электролампочек мощностью 60 ватт каждая. 2. Электродуховка, мощностью 2 киловатта или 2000 ватт. 3. Телевизор, мощностью 0,1 киловатт или 100 ватт. 4. Холодильник, мощностью 0,3 киловатта или 300 ватт. 5. Стиральная машина мощностью 0,6 киловатт или 600 ватт. Нас интересует, какой ток будет протекать на вводе в наш дом или квартиру при одновременной работе всех вышеперечисленных электроприборов и не повредится ли наш электросчетчик, рассчитанный на ток 20 ампер?

Расчет: 1, Определяем суммарную мощность всех приборов: 500 + 480 + 2000 + 100 + 300 + 600 = 3980 ватт 2. Ток, протекающий в проводе при такой мощности определяется по формуле:

Где: I — ток в амперах (А) Р — мощность в ваттах (Вт) U — напряжение в вольтах (В) cos φ — коэффициент мощности (для бытовых электросетей можно принять 0,95) Подставим числа в формулу: І = 3980 /220 * 0,95 = 19,04 А Вывод: Счетчик выдержит, так как ток в цепи меньше 20 А. Для удобства пользователей ниже приведена форма расчета тока.

Вам следует ввести в соответствующие поля формы суммарное значения мощности в ваттах всех ваших электроприборов, напряжение в вольтах, обычно 220 и коэффициента мощности, 0,95 для бытовой нагрузки, нажать кнопку «Вычислить» и в поле «Ток» появится величина тока в амперах. Если у вас нагрузка в киловаттах, следует перевести ее в ватты, для чего умножить на 1000. Для очистки введенного значения мощности следует нажать кнопку «Очистить». Очистку введенных по умолчанию значений напряжения и косинуса следует произвести клавишей delete переместив курсор в соответствующую ячейку (при необходимости).

Форма расчета для определения тока при однофазной нагрузке.

Такой же расчет можно выполнить для торговой точки, гаража или любого объекта, имеющего однофазный ввод. А как быть, когда известен ток, который мы определили при помощи токоизмерительных клещей или амперметра, а нам необходимо знать подключенную мощность?

Форма расчета для определения мощности при однофазной нагрузке.

А какое значение cos φ для других токоприемников? (Внимание! Значения косинуса фи у Вашего оборудования могут отличаться от указанных): Лампы накаливания и электронагревательные приборы с нагревом сопротивлением (cosφ ≈ 1,0) Асинхронные двигатели, при неполной загрузке (cosφ ≈ 0,5) Выпрямительные электролизные установки (cosφ ≈ 0,6) Электродуговые печи (cosφ ≈ 0,6) Индукционные печи (cosφ ≈ 0,2-0,6) Водяные насосы (cosφ ≈ 0,8) Компрессоры (cosφ ≈ 0,7) Машины, станки (cosφ ≈ 0,5) Сварочные трансформаторы (cosφ ≈ 0,4) Лампы дневного света, подключенные через электромагнитный дроссель (cosφ ≈ 0,5-0,6)

2. Расчет величины постоянного электрического тока.

Постоянный ток для быта применяется в основном в электронных приборах, а также в бортовой электросети автомобиля. Допустим, вы решили установить дополнительную фару в автомобиле с лампой мощностью 60 ватт и подключить ее от фары ближнего света. И сразу же возникает вопрос — выдержит ли существующий предохранитель на 10 ампер для фары ближнего света при подключении еще одной фары?

Расчет: Предположим, что мощность лампы фары ближнего света 65 ватт. Подсчитаем ток по формуле:

где: I — ток в амперах (А) Р — мощность в ваттах (Вт) U — напряжение в вольтах (В)

Как мы видим, в отличие от формулы для переменного тока — cos φ — здесь нет. Подставим числа в формулу: І = 65 /12 = 5,42 А 65 Вт — мощность лампы 12 В — напряжение в бортовой сети автомобиля 5,42 А — ток в цепи лампы. Мощность двух ламп в основной и дополнительной фарах составит 60+65 = 125 вт І = 125/12 = 10,42 А Вывод: При подключении 2-х фар, предохранитель, рассчитанный на 10 А может не выдержать, поэтому его желательно заменить на ближайший с большим током уставки. Перед заменой необходимо проверить величину длительно допустимого тока для провода этой цепи, причем ток срабатывания предохранителя должен быть меньше длительно допустимого тока провода.

Для удобства пользователей ниже приведена форма расчета тока. Вам следует ввести в соответствующие поля формы суммарное значения мощности в ваттах всех ваших электроприборов, напряжение в вольтах, нажать кнопку «Вычислить» и в поле «Ток» появится величина тока в амперах. Для очистки следует нажать кнопку «Очистить». Форма расчета для определения постоянного тока.

3. Расчет величины переменного электрического тока при трехфазной нагрузке.

Теперь предположим, что нас обычный дом или квартира в которой имеется электрическая сеть переменного тока напряжением 380/220 вольт. Почему указываются два напряжения — 380 В и 220 В? Дело в том, что при подключении к трехфазной сети в ваш дом заходят 4 провода — 3 фазы и нейтраль (по старому — ноль).

Так вот, напряжение между фазными проводами или иначе — линейное напряжение будет 380 В, а между любой из фаз и нейтралью или иначе фазное напряжение будет 220 В. Каждая из трех фаз имеет свое обозначение латинскими литерами А, В, С. Нейтраль обозначается латинской N.

Таким образом, между фазами А и В, А и С, В и С — будет напряжение 380 В. Между А и N, В и N, С и N будет 220 В и к этим проводам можно подключать электроприборы напряжением 220 В, а значит в доме может быть как трехфазная, так и однофазная нагрузка.

Чаще всего, есть и та и та и ее называют смешанной нагрузкой.

Для начала посчитаем ток при чисто трехфазной нагрузке.

В доме имеются трехфазные электроприборы:

1. Электродвигатель, мощностью 3 киловатта или 3000 ватт.

2. Электроводонагреватель, мощностью 15 киловатт или 15000 ватт.

Вообще-то трехфазные нагрузки принято считать в киловаттах, поэтому, если они записаны в ваттах, их следует разделить на 1000. Нас интересует, какой ток будет протекать на вводе в наш дом или квартиру при одновременной работе всех вышеперечисленных электроприборов и не повредится ли наш электросчетчик, рассчитанный на ток 20 ампер?

Расчет: Определяем суммарную мощность всех приборов: 3 кВт + 15 кВт = 18 кВт 2. Ток, протекающий в фазном проводе при такой мощности определяется по формуле:

Где: I — ток в амперах (А) Р — мощность в киловаттах (кВт) U — линейное напряжение, В cos φ — коэффициент мощности (для бытовых электросетей можно принять 0,95) Подставим числа в формулу: = 28,79 А

Вывод: Счетчик не выдержит, поэтому нужно заменить на ток не менее 30 А. Для удобства пользователей ниже приведена форма расчета тока.

Для того, чтобы не пользоваться калькулятором, просто вводим свои числа в нижеприведенную форму и нажимаем кнопку «Вычислить».

Форма расчета для определения тока при трехфазной нагрузке.

А как быть, когда известен ток трехфазной нагрузки (одинаковый для каждой из фаз), который мы определили при помощи токоизмерительных клещей или амперметра, а нам необходимо знать подключенную мощность?

Преобразуем формулу расчета тока в расчет мощности.

Для того, чтобы не пользоваться калькулятором, просто вводим свои числа в нижеприведенную форму и нажимаем кнопку «Вычислить».

Форма расчета для определения мощности при трехфазной нагрузке.

Теперь посчитаем ток при смешанной трехфазной и однофазной нагрузках.

Итак в дом заведены 3 фазы и электрик, производящий монтаж электропроводки должен стремиться к тому, чтобы фазы были нагружены равномерно, хотя так получается далеко не всегда.

В нашем доме получилось, к примеру, так: — фаза А и нейтраль с напряжением между ними, как мы уже знаем — 220 В заведены в гараж и скважину а также освещение двора, общая нагрузка — 12 лампочек по 100 ватт, электронасос 0,7 кВт или 700 ватт. — фаза В и нейтраль с напряжением между ними — 220 В заведены в дом, общая нагрузка 1800 ватт. — фаза С и нейтраль с напряжением между ними — 220 В заведены в летнюю кухню, общая нагрузка электропечки и ламп — 2,2 кВт.

Имеем однофазные нагрузки: по фазе А нагрузку 1900 ватт, по фазе В — 1800 ватт, по фазе С — 2200 ватт, суммарно по трем фазам 5,9 кВт. Кроме того, на схеме показаны и трехфазные нагрузки 3 кВт и 15 кВт, а значит общая мощность смешанной нагрузки составит 23,9 кВт.


Вводим по очереди значения этих мощностей и вычисляем токи.

Для фазы А будет — 9,09 А, для В — 8,61 А, для С — 10,53 А. Но у нас по проводам всех трех фаз уже проходит ток трехфазной нагрузки, поэтому, чтобы узнать суммарное значение тока в каждой из фаз, надо просто сложить токи трехфазной и однофазной нагрузок. Фаза А 28,79 А + 9,09 А = 37,88 А Фаза В 28,79 А + 8,61 = 37,40 А Фаза С 28,79 А + 10,53 = 39,32 А. Наибольший ток смешанной нагрузки в фазе С.

А как быть, когда известен ток смешанной трехфазной нагрузки (разный для каждой из фаз), который мы определили при помощи токоизмерительных клещей или амперметра, а нам необходимо знать подключенную мощность?

В таком случае необходимо определить потребляемую мощность каждой из трех фаз по форме расчета для определения мощности при однофазной нагрузке и затем просто сложить эти мощности, что и даст нам общую мощность смешанной трехфазной нагрузки. Воспользовавшись примером для смешанной нагрузки, мы видим, что общий ток по фазе А составил 37,88 А, фазе В — 37,40 А, фазе С — 39,32 А.

7.2. Проверка выбранного сечения по потере напряжения.

Для начала по известной присоединенной мощности P = 3980 Вт, фазном напряжении U ф = 220 В и косинусе фи 0,95 нужно определить ток нагрузки. Не буду повторяться, поскольку мы это уже проходили в начале раздела 1. «Расчет величины переменного электрического тока при однофазной нагрузке». Кроме того, для выбора материала и сечения провода к току нагрузки необходимо прибавить коэффициент запаса 30% или, что, то же самое, умножить на 1,3. В нашем случае ток нагрузки равен 19,04 А. Коэффициент запаса 30% к току нагрузки 1,3 · I н = 1,3 · 19,04 = 24,76 А.

Выбираем алюминиевый провод и по таблице 1.3.5 ПУЭ определяем ближайшее наибольшее сечение, которое будет равно 4 мм 2 для открыто проложенных проводов при токе 32 А.

Для того чтобы пользователь мог подставлять свои значения ниже приведена форма расчета, состоящая из двух частей.

Форма расчета для определения потерь напряжения в двухпроводной однофазной или двухфазной сети.

Часть 1. Вычисляем ток нагрузки и ток с коэффициентом запаса 30% для выбора сечения провода.

При подаче электричества в квартиру на этажном электрощите могут быть установлены следующие аппараты коммутации ввода:

  • предохранители;
  • пакетный выключатель;
  • рубильник.

Вводной автомат (ВА) – это автоматический выключатель подачи электричества от питающей сети к объекту, если возникает перегрузка в цепи, или произошло короткое замыкание (КЗ). От перечисленных аппаратов он отличается большей величиной номинального тока. На фото изображен щит с расположенным в нем сверху вводным автоматом.

Щит с автоматическим выключателем

Правильнее называть устройство – вводный автоматический выключатель. Поскольку он ближе других устройств находится к воздушной линии, аппарат должен обладать повышенной коммутационной стойкостью (ПКС), характеризующей нормальное срабатывание устройства при возникновении КЗ (максимальный ток, при котором автоматический выключатель способен хотя бы однократно разомкнуть электрическую цепь). Показатель указывается на маркировке прибора.

Типы автоматов ввода

Подача электричества к объекту зависит от его потребностей и схемы электросети. При этом подбираются соответствующие типы автоматов.

Однополюсный

Вводный выключатель с одним полюсом применяется в электросети с одной фазой. Устройство подключается к питанию через клемму (1) сверху, а нижняя клемма (2) соединяется с отходящим проводом (рис. ниже).

Схема однополюсного автомата

Автомат с одним полюсом устанавливается в разрыв фазного провода и отключает его от нагрузки при возникновении аварийной ситуации (рис. ниже). По принципу действия он ничем не отличается от автоматов, установленных на отводящих линиях, но его номинал по току выше (40 А).

Схема вводного однополюсного автомата

Питающая фаза красного цвета подключается к нему, а затем – к счетчику, после чего распределяется на групповые автоматы. Нейтральный провод синего цвета проходит сразу на счетчик, а с него на шину N, затем подключается к каждой линии.

Автомат ввода, установленный перед счетчиком, должен быть опломбирован.

Вводной автомат защищает кабель ввода от перегрева. Если КЗ произойдет на одной из линий ответвлений от него, сработает ее автомат, а другая линия останется работоспособной. Подобная схема подключения позволяет быстро найти и устранить неисправность во внутренней сети.

Двухполюсный

Двухполюсник представляет собой блок с двумя полюсами. Они снабжены объединенным рычажком и имеют общую блокировку между механизмами отключения. Эта конструктивная особенность важна, так как ПУЭ запрещают производить разрыв нулевого провода.

Не допускается установка двух однополюсников вместо одного двухполюсника.

Вводной автомат с двумя полюсами применяется при однофазном вводе из-за особенностей схем подключения в домах старой постройки. В квартиру делается ответвление от стояка межэтажного электрощита однофазной двухпроводной линией. Жэковский электрик может случайно поменять местами провода, ведущие в квартиру. При этом нейтраль окажется на вводном однофазном автомате, а фаза – на нулевых шинах.

Чтобы обеспечить полную гарантию отключения, надо обесточить квартирный щиток с помощью двухполюсника. Кроме того, часто приходится менять пакетный выключатель в этажном щите. Здесь удобнее сразу поставить вместо него двухполюсный вводной автомат.

В квартиру нового дома идет сеть с фазой, нейтралью и заземлением со стандартной цветовой маркировкой. Здесь также не исключена возможность перепутывания проводов из-за низкой квалификации электрика или просто ошибки.

Еще одной причиной установки двухполюсника является замена пробок. На старых квартирных щитках еще остались пробки, которые установлены на фазе и на нуле. Схема соединений при этом остается прежней.

ПУЭ запрещают установку предохранителей в нулевых рабочих проводах.

Двухполюсник в данной ситуации установить удобнее, поскольку нет необходимости переделывать схему.

При подключении электричества к частному дому по схеме ТТ двухполюсник необходим, так как в такой системе возможно появления разности потенциалов между нейтральным и заземляющим проводом.

На рис. ниже изображена схема подключения электричества в квартиру с однофазным вводом через двухполюсный автомат.

Схема ввода с двухполюсным автоматом

Питающая фаза подается на него, а затем – на счетчик и на устройство противопожарного защитного заземления УЗО, после чего распределяется на групповые автоматы. Нейтральный провод проходит сразу на счетчик, с него на УЗО, шину N, а затем подключается к УЗО каждой линии. Нулевой проводник заземления зеленого цвета подключается сразу к шине PE, а с нее подходит к заземляющим контактам розеток №1 и №2.

Вводной автоматический выключатель защищает кабель ввода от перегрева и КЗ. Он также может сработать при КЗ на отдельной линии, если там неисправен другой автомат. Номиналы счетчика и противопожарного УЗО подбираются выше (50 А). В этом случае устройства будут также защищены вводным автоматом от перегрузок.

Трехполюсный

Устройство применяется для трехфазной сети, чтобы обеспечить одновременное отключение всех фаз при перегрузке или коротком замыкании внутренней сети.

К каждой клемме трехполюсника подключается по фазе. На рис. ниже изображены его внешний вид и схема, где для каждого контура существуют отдельные тепловой и электромагнитный расцепители, а также дугогасительная камера.

Трехполюсный автомат в шкафу и его схема

При подключении к частному дому вводной автоматический выключатель устанавливается перед электросчетчиком с защитой на 63 А (рис. ниже). После счетчика ставится УЗО на ток утечки 300 мА. Это связано с большой протяженностью электропроводки дома, где имеет место высокий фон утечки.

После УЗО осуществляется разделение линий от распределительных шин (2) и (4) к розеткам, освещению, а также отдельным группам (6) подачи напряжения в пристройки, трехфазным нагрузкам и другим мощным потребителям.

Трехфазная сеть частного дома

Расчет автомата ввода

Независимо от того, является автомат вводным или нет, его рассчитывают путем суммирования токов отходящих к нагрузкам линий. Для этого определяется мощность всех подключаемых потребителей. Номинал определяется для одновременного включения всех потребителей электроэнергии. По этому максимальному току подбирается ближайший номинал автомата из стандартного ряда в сторону уменьшения.

Мощность вводного автомата зависит от номинального тока. При трехфазном питании мощность определяется тем, как подключены нагрузки.

Требуется также определить количество аппаратов коммутации. На ввод требуется только один выключатель, а затем по одному на каждую линию.

На мощные приборы типа электрокотла, водонагревателя, духового шкафа необходимо установить отдельные автоматы. В щитке должно быть предусмотрено место для установки дополнительных автоматических выключателей.

Выбор ВА

Выбор устройства производится по нескольким параметрам:

  1. Номинальный ток. Его превышение приведет к срабатыванию автомата от перегрузки. Подборка номинального тока производится по сечению подключенной проводки. Для нее определяют допустимый максимальный ток, а затем выбирают номинальный для автомата, предварительно уменьшив его на 10-15%, приводя к стандартному ряду в сторону уменьшения.
  2. Максимальный ток КЗ. Автомат выбирается по ПКС, которая должна быть равна ему или превышать. Если максимальный ток КЗ составляет 4500 А, подбирается автомат на 4,5 кА. Класс коммутации подбирается для освещения – В (I пуск >I ном в 3-5 раз), для мощных нагрузок типа отопительного котла – С (I пуск >I ном в 5-10 раз), для трехфазного двигателя большого станка или сварочного аппарата – D (I пуск >I ном в 10-12 раз). Тогда защита будет надежной, без ложных срабатываний.
  3. Установленная мощность.
  4. Режим нейтрали – тип заземления. В большинстве случаев он представляет собой систему TN с разными вариантами (TN-C, TN-C-S, TN-S),
  5. Величина линейного напряжения.
  6. Частота тока.
  7. Селективность. Номиналы автоматов подбираются по распределению нагрузок в линиях, например, автомат ввода – 40 А, электроплита – 32 А, другие мощные нагрузки – 25 А, освещение – 10 А, розетки – 10 А.
  8. Схема питания. Автомат подбирается по количеству фаз: одно,- или двухполюсный для однофазной сети, трех,- или четырехполюсный для трехфазной.
  9. Изготовитель. С целью повышения степени безопасности, автомат выбирается у известных производителей и в специализированных магазинах.

Количество полюсов для трехфазной сети равно четырем. При наличии только трехфазных нагрузок со схемой подключения треугольником, можно использовать трехполюсный автомат.

Выключатель на вводе должен отключать фазы и рабочий ноль, так как в случае утечки на одной из фаз на ноль существует вероятность удара током.

Трехполюсный автомат можно применять для однофазной сети: фаза и ноль подключаются к двум клеммам, а третья останется свободной.

Выбор вводного автомата в зависимости от типа заземления:

  1. Система TN-S: подводящие нулевые защитный и рабочий провода разделены от подстанции до потребителя (рис. а ниже). Чтобы одновременно отключить фазы и ноль применяются двухполюсные или четырехполюсные вводные автоматы (в зависимости от количества фаз на вводе). Если они с одним или тремя полюсами, нейтраль проводится отдельно от автоматов.
  2. Система TN-С: подводящие нулевые защитный и рабочий провода совмещены и проходят до потребителя через общий проводник (рис. б). Автомат устанавливается однополюсный или трехполюсный на фазные проводники, а ноль вводится через счетчик на шину N.
  3. Как показывает практика, подключение вводного автомата не является сложной работой. Важно правильно рассчитать его по мощности, продумать схему соединений и установить с учетом особенностей, приведенных в статье.

Вводные автоматические выключатели: что это, какие бывают? | ENARGYS.RU

Автоматические выключатели служат для отключения объекта от электроэнергии при возникновение в сети повышенных нагрузок. Благодаря этому удается обезопасить помещение от возникновения пожаров вызванных коротким замыканием и выхода из строя электрооборудования.

Самым первым из таких устройств, которые устанавливаются непосредственно при подводе проводов к квартире, дому или иному помещению является – вводный автомат (рис.1).

Рис. 1. Вводный автомат

Если его сравнивать с автоматами, которые будут установлены дальше по цепи, то у вводного автомата намного выше показания номинального тока. К тому же у него есть еще одна функция, кроме защиты, с помощью него очень удобно отключать систему для проведения в ней ремонтных или профилактических работ.

Также ввиду того, что данный автомат находиться наиболее близко к подстанции, которая осуществляет питание объекта, то у него наблюдается повышенная предельная отключающая способность. Которая намного выше, чем у других устройств автоматического отключения.

Могут использоваться вводные автоматы – двухполюсные, четырехполюсные (рис.2) или наименее распространенные трехполюсные, все это зависит от той системы электроснабжения, которая выбрана для конкретного объекта.

Рис 2. Четырехполюсной автомат

Так, например, при питании маломощного помещения с использованием одной фазы, устанавливают вводный однополюсной прибор автоматического отключения. Но так поступать неправильно, ведь чтобы обеспечить полный разрыв фазы и нейтрали придется дополнительно устанавливать – выключатель нагрузки.

Вводный автомат и расчет номинала

Чтобы рассчитать номинал вводного автомата нужно произвести в принципе такие же действия, что и при расчете других автоматических выключателей. Для этого нужно взять сумму токов линий, который используются для питания и рабочий ток кабеля.

С помощью таких вычислений происходит нахождение нужного номинального тока вводного автомата.

Важно! У вводного автомата номинальный ток должен быть в соответствии рабочему току проводки (для ее защиты), которая от него отходит. А также учитывать все показания мощностей подключенных нагрузок.

Так же при расчете необходимого номинала нужно учесть, что может случиться ситуация во время которой произойдет включение всех нагрузок одномоментно, появление максимально потребляемого тока. Исходя из этих показаний тока, производится расчет рабочего тока и отходящей от вводного автоматического выключателя проводки, и нужного номинала автомата.

Вводный автомат и его мощность

Мощность будет прямо пропорциональная имеющемуся номиналу вводного автомата. Так при одном и тоже номинале автоматического выключателя в зависимости от используемой системы мощность может быть совершенно различной. В однофазной системе для подсчета мощности нужно номинал автомата умножить на 220 и таким образом получиться значение мощности в Ваттах. В трехфазной системе, мощность будет зависеть от той схемы, которая применяется при подключении нагрузки.

Что нужно знать при выборе вводного автомата

При выборе такого вида устройств надо опираться на один из главных параметров – какой может быть максимальный ток при возникновение короткого замыкания. Исходя из знания данного параметра, нужно и выбирать автомат, который будет превышать данное значение. Оптимальным будет, если превышение максимального тока при коротком замыкании будет составлять примерно от 1000-1500А. К тому же важным аспектом будет являться удаленность вводного автомата от трансформатора. И мощности, которую он выделяет.

Не маловажным будет и знание потребляемой мощности запитываемого объекта и фазность питания. При трех фазах следует применять трехфазный автомат, трех или четырехполюсной. Если имеет место быть однофазное питание, то автомат двухполюсной.

Советы по установке вводного автомата

В принципе установка вводного автомата происходит по стандартной схеме, как и установка других устройств в системе. Но в отличие от остальных к него есть определенное место. Оно располагается сверху в левой части щитка. Такой расположение обуславливается тем, что идущие лини удобнее опускать сверху в низ. А данный автомат является первым из устройств подключения. К тому же это очень удобно. Он является немного обособленным от других. Это позволяет моментально сориентироваться даже не опытному человеку при необходимости экстренного отключения. Таким образом схема автоматического выключателя не является сложной.

Иногда правда можно увидеть, что для небольших объектов энергоснабжения применяется однополюсной автоматический выключатель (рис. 3). Но это не совсем правильно. Так как он устанавливается только на фазу. И при отключении нейтраль все равно находится в рабочем состоянии.

Рис. 3. Однополюсной автомат

При приобретении, вводные автоматические выключатели, лучше выбирать в надежных магазинах. А установку доверять специалистам.

Как выбрать автоматический выключатель

Выбор автоматических выключателей

Автоматический выключатель (автомат) предназначен для защиты электропроводки от токов короткого замыкания (КЗ) и перегрузок электросети. Учитывая описанные ниже критерии, а также данные, приведенные в таблице, Вы сможете самостоятельно осуществить выбор автоматических выключателей. Но, напоминаем, что электромонтажные работы лучше доверить профессионалам!

Основные параметры выбора автоматических выключателей.

  1. Ток КЗ. Автоматические выключатели могут иметь номиналы 3; 4.5; 6 и 10 кА.  Правилами устройства электроустановок (ПУЭ) автоматы с наибольшей отключающей способностью менее 6 кА запрещаются. Если Ваш дом размещен рядом с трансформаторной подстанцией, то необходимо выбрать автомат  номиналом 10 кА. В остальных случаях достаточно 6 кА.
  2. Номинальный ток (рабочий). При превышении значения номинального тока произойдет разъединение цепи, следовательно, защита электропроводки от перегрузок. Выбор подходящего значения осуществляется в зависимости от мощности потребителей электроэнергии и сечения кабеля.
  3. Ток срабатывания. При включении мощных электроприборов пусковой ток может быть значительно выше номинального (до 12 раз). Чтобы автоматический выключатель не сработал, приняв запуск двигателя за КЗ, необходимо правильно выбрать его класс — В, С или D. При отсутствии мощных потребителей достаточно будет устройства класса В. Если установлена электроплита или электрокотел, подходящим выбором будет автомат класса С. Но если задействованы мощные электродвигатели, то необходимо устанавливать автоматические выключатели класса D.
  4. Селективность.  То есть отключение только аварийного участка электросети. Для обеспечения селективности монтаж начинается с вводного автомата, номинал которого не должен превышать максимально допустимую нагрузку на электропроводку, исходя из сечения провода. Номинальный ток автомата на вводе должен превышать значение рабочего тока всех нижестоящих автоматических выключателей в щитке.
  5. Количество полюсов. Для однофазной сети 220В используются однополюсные и  двухполюсные автоматы (как правило, для подключения систем освещения), а также дифференциальные выключатели (для подключения розеток, переносных электроприемников, а также оборудования и устройств, где возможно прикосновение человека к металлическим и токоведущим частям). Для трехфазной электросети 380В используются трех- и четырехполюсные автоматические выключатели (на вводе) и дифференциальные автоматы (на стационарных или переносных электроприемниках, где возможно прикосновение человека к металлическим и токоведущим частям).
  6. Производитель. Приятно отметить, что автоматические выключатели отечественных производителей (например, EKF или IEK) не уступают в качестве зарубежным аналогам ведущих мировых брендов. 
Номинал автомата, А Тип подключения
Однофазное, 220В Однофазное (вводное), 220В Трехфазное (треугольник), 380В Трехфазное (звезда), 220В
 1  0.2 кВт  0.2 кВт  1.1 кВт 0.7 кВт
 2  0.4 кВт   0.4 кВт 2.3 кВт 1.3 кВт
 3 0.7 кВт  0.7 кВт 3.4 кВт 2.0 кВт
 6 1.3 кВт  1.3 кВт 6.8 кВт 4.0 кВт
 10 2.2 кВт  2.2 кВт 11.4 кВт 6.6 кВт
 16 3.5 кВт  3.5 кВт 18.2 кВт 10.6 кВт
 20 4.4 кВт  4.4 кВт 22.8 кВт 13.2 кВт
 25 5.5 кВт  5.5 кВт 28.5 кВт 16.5 кВт
 32 7.0 кВт  7.0 кВт 36.5 кВт 21.1 кВт
 40 8.8 кВт  8.8 кВт 45.6 кВт 26.4 кВт
 50 11 кВт  11 кВт 57.0 кВт 33.0 кВт
 63 13.9 кВт  13.9 кВт 71.8 кВт 41.6 кВт


Заказать обратный звонок

Номинальный ток автоматического выключателя | Заметки электрика

Уважаемые гости сайта заметки электрика.

Сегодня я расскажу Вам как произвести расчет номинального тока автоматического выключателя. 

Практический каждый из нас сталкивается с такой задачей, но чтобы решить ее верно и правильно читайте данную статью.

Во-первых Вам необходимо определиться какой автоматический выключатель будем менять, либо это будет вводной автоматический выключатель, либо групповой автоматический выключатель.

Внимательно прочитайте мою статью как определить сечение провода. В данной статье я подробнейшим образом показал как рассчитать общую потребляемую мощность своей квартиры или коттеджа (дома, дачи). 

Пример расчета номинального тока будем вести по полученной суммарной мощности всей квартиры 11200 (Вт), и соответственно рассчитаю номинальный ток вводного автоматического выключателя.

Формула для расчета номинального тока автоматического выключателя:

Р — суммарная потребляемая мощность, (Ватт)

U — напряжение сети, (В)


Получили значение 50,9 (А). Т.к. в магазинах не продаются автоматические выключатели на ток 50,9 (А), то округляем до ближайшего стандартного ряда значений, т.е. 50 (А).

Стандартный ряд значений номинального рабочего тока автоматических выключателей:

Аналогично можно рассчитать номинальный ток автоматического выключателя для любой групповой линии. Главное знать суммарную потребляемую мощность этой линии.

После выбора номинального тока автоматического выключателя и его покупки необходимо произвести прогрузку первичным током. Как это сделать Вы можете узнать в моей статье прогрузка автоматического выключателя.

P.S. И как всегда интересное видео о лазерном шоу — иллюзии.

Если статья была Вам полезна, то поделитесь ей со своими друзьями:


Методы выбора функций в машинном обучении

Введение

При построении модели машинного обучения в реальной жизни почти всегда все переменные в наборе данных используются для построения модели. Добавление избыточных переменных снижает возможность обобщения модели, а также может снизить общую точность классификатора. Кроме того, добавление все большего и большего числа переменных в модель увеличивает общую сложность модели.

Согласно Закону экономии « Бритва Оккама» , лучшее объяснение проблемы — это то, что включает наименьшее количество возможных предположений.Таким образом, выбор функций становится неотъемлемой частью построения моделей машинного обучения.

Цель

Цель выбора функций в машинном обучении — найти лучший набор функций, который позволяет строить полезные модели изучаемых явлений.

Методы выбора функций в машинном обучении в целом можно разделить на следующие категории:

Контролируемые методы: Эти методы могут использоваться для помеченных данных и используются для определения соответствующих функций для повышения эффективности контролируемых моделей, таких как классификация и регрессия.

Неконтролируемые методы: Эти методы могут использоваться для немаркированных данных.

С таксономической точки зрения эти методы относятся к:

A. Методы фильтрации

B. Методы упаковки

C. Встроенные методы

D. Гибридные методы

В этой статье мы обсудим некоторые популярные методы выбора функций в машинном обучении.

А.Методы фильтрации

Методы фильтрации выбирают внутренние свойства функций, измеренные с помощью одномерной статистики, а не производительности перекрестной проверки. Эти методы быстрее и менее затратны с точки зрения вычислений, чем методы-оболочки. При работе с данными большой размерности в вычислительном отношении дешевле использовать методы фильтрации.

Давайте обсудим некоторые из этих методов:

Прирост информации

Прирост информации вычисляет уменьшение энтропии в результате преобразования набора данных.Его можно использовать для выбора функции путем оценки информационного прироста каждой переменной в контексте целевой переменной.

Тест хи-квадрат

Тест хи-квадрат используется для категориальных объектов в наборе данных. Мы вычисляем хи-квадрат между каждой функцией и целью и выбираем желаемое количество функций с лучшими показателями хи-квадрат. Чтобы правильно применить хи-квадрат для проверки связи между различными характеристиками в наборе данных и целевой переменной, должны быть выполнены следующие условия: переменные должны быть категориальными , выборкой независимо и значениями должны быть ожидаемая частота превышает 5 .

Оценка Фишера

Оценка Фишера — один из наиболее широко используемых методов контролируемого выбора признаков. Алгоритм, который мы будем использовать, возвращает ранги переменных на основе оценки рыбака в порядке убывания. Затем мы можем выбрать переменные в зависимости от случая.

Коэффициент корреляции

Корреляция — это мера линейной связи двух или более переменных. Посредством корреляции мы можем предсказать одну переменную по другой.Логика использования корреляции для выбора характеристик заключается в том, что хорошие переменные сильно коррелируют с целью. Кроме того, переменные должны коррелироваться с целевым показателем, но не должны коррелироваться между собой.

Если две переменные коррелированы, мы можем прогнозировать одну по другой. Следовательно, если две функции коррелированы, модели действительно нужен только один из них, поскольку второй не добавляет дополнительной информации. Здесь мы будем использовать корреляцию Пирсона.

Нам нужно установить абсолютное значение, скажем 0.5 как порог для выбора переменных. Если мы обнаружим, что переменные-предикторы коррелированы между собой, мы можем отбросить переменную, имеющую более низкое значение коэффициента корреляции, с целевой переменной. Мы также можем вычислить несколько коэффициентов корреляции, чтобы проверить, коррелированы ли друг с другом более двух переменных. Это явление известно как мультиколлинеарность.

Порог отклонения

Порог дисперсии — это простой базовый подход к выбору признаков.Он удаляет все функции, отклонение которых не соответствует определенному пороговому значению. По умолчанию он удаляет все признаки с нулевой дисперсией, то есть признаки, которые имеют одинаковое значение во всех выборках. Мы предполагаем, что функции с более высокой дисперсией могут содержать более полезную информацию, но обратите внимание, что мы не принимаем во внимание взаимосвязь между переменными функции или переменными функции и целевыми объектами, что является одним из недостатков методов фильтрации.

get_support возвращает логический вектор, где True означает, что переменная не имеет нулевой дисперсии.

Средняя абсолютная разница (MAD)

‘Средняя абсолютная разница (MAD) вычисляет абсолютную разницу от среднего значения. Основное различие между показателями дисперсии и MAD — отсутствие квадрата в последнем. MAD, как и дисперсия, также является вариантом шкалы »[1]. Это означает, что чем выше MAD, тем выше дискриминационная способность.

Коэффициент дисперсии

«Другой критерий дисперсии — это среднее арифметическое (AM) и среднее геометрическое (GM).Для заданного (положительного) признака X i на n шаблонах AM и GM задаются как

.

соответственно; начиная с AM i ≥ GM i , равенство сохраняется тогда и только тогда, когда X i1 = X i2 =…. = X в , тогда отношение

можно использовать в качестве меры дисперсии. Более высокая дисперсия подразумевает более высокое значение Ri, следовательно, более актуальную характеристику. И наоборот, когда все образцы функций имеют (примерно) одно и то же значение, Ri близко к 1, что указывает на низкую релевантность функции.’[1]

B. Методы оболочки:

Оболочкам требуется некоторый метод для поиска в пространстве всех возможных подмножеств функций, оценки их качества путем изучения и оценки классификатора с этим подмножеством функций. Процесс выбора функции основан на конкретном алгоритме машинного обучения, который мы пытаемся подогнать под данный набор данных. Он следует подходу жадного поиска, оценивая все возможные комбинации функций по критерию оценки.Методы оболочки обычно обеспечивают лучшую точность прогнозирования, чем методы фильтрации.

Давайте обсудим некоторые из этих методов:

Выбор прямой функции

Это итерационный метод, в котором мы начинаем с наиболее эффективной переменной по отношению к цели. Затем мы выбираем другую переменную, которая дает лучшую производительность в сочетании с первой выбранной переменной. Этот процесс продолжается до тех пор, пока не будет достигнут заданный критерий.

Удаление обратной функции

Этот метод работает прямо противоположно методу прямого выбора характеристик.Здесь мы начнем со всех доступных функций и построим модель. Затем мы используем переменную из модели, которая дает наилучшее значение меры оценки. Этот процесс продолжается до тех пор, пока не будет достигнут заданный критерий.

Этот метод, наряду с рассмотренным выше, также известен как метод последовательного выбора признаков.

Исчерпывающий выбор функций

Это самый надежный метод выбора функций, из когда-либо существовавших.Это оценка каждого подмножества функций методом перебора. Это означает, что он пробует все возможные комбинации переменных и возвращает наиболее эффективное подмножество.

Рекурсивное исключение признаков

При наличии внешнего оценщика, который присваивает веса признакам (например, коэффициентам линейной модели), цель рекурсивного исключения признаков (RFE) состоит в том, чтобы выбрать признаки путем рекурсивного рассмотрения все меньших и меньших наборов признаков.Сначала оценщик обучается на начальном наборе функций, и важность каждой функции определяется либо с помощью атрибута coef_, либо с помощью атрибута feature_importances_.

Затем наименее важные элементы удаляются из текущего набора функций. Эта процедура рекурсивно повторяется для сокращенного набора до тех пор, пока в конечном итоге не будет достигнуто желаемое количество функций для выбора ». [2]

C. Встроенные методы:

Эти методы охватывают преимущества как методов оболочки, так и методов фильтрации, включая взаимодействие функций, но при этом сохраняя разумные вычислительные затраты.Встроенные методы являются итеративными в том смысле, что заботятся о каждой итерации процесса обучения модели и тщательно извлекают те функции, которые вносят наибольший вклад в обучение для конкретной итерации.

Давайте обсудим некоторые из этих методов. Нажмите здесь:

Регуляризация LASSO (L1)

Регуляризация состоит в добавлении штрафа к различным параметрам модели машинного обучения, чтобы уменьшить свободу модели, то есть избежать чрезмерной подгонки.При регуляризации линейной модели штраф применяется к коэффициентам, умножающим каждый из предикторов. Из различных типов регуляризации, Lasso или L1 обладают свойством, позволяющим уменьшить некоторые коэффициенты до нуля. Следовательно, эту функцию можно удалить из модели.

Случайное значение леса

Случайные леса — это разновидность алгоритма бэггинга, который объединяет указанное количество деревьев решений. Стратегии на основе деревьев, используемые случайными лесами, естественным образом ранжируются по тому, насколько хорошо они улучшают чистоту узла или, другими словами, уменьшают примеси ( примеси Джини ) по всем деревьям.Узлы с наибольшим уменьшением примеси встречаются в начале деревьев, а ноты с наименьшим уменьшением примесей — в конце деревьев. Таким образом, обрезая деревья ниже определенного узла, мы можем создать подмножество наиболее важных функций.

Заключение

Мы обсудили несколько методов выбора функций. Мы намеренно оставили такие методы извлечения признаков, как анализ главных компонентов, разложение по сингулярным значениям, линейный дискриминантный анализ и т. Д.Эти методы помогают уменьшить размерность данных или уменьшить количество переменных при сохранении дисперсии данных.

Помимо методов, описанных выше, существует множество других методов выбора функций. Также существуют гибридные методы, в которых используются методы фильтрации и упаковки. Если вы хотите узнать больше о методах выбора признаков, то, на мой взгляд, отличным всеобъемлющим материалом для чтения будет « Feature Selection for Data and Pattern Recognition » Уршулы Станчик и Лахми К.Джайн.

Список литературы

Статья Артура Дж. Феррейры, Mário A.T. «Эффективные фильтры выбора функций для данных большой размерности». Фигейредо [1]

https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html%20%5b2%5d [2]

Связанные

методов выбора функций в машинном обучении с помощью Python | Рахиль Шейх

С новым днем ​​приходят новые силы и новые мысли Элеонора Рузвельт

Мы все, возможно, сталкивались с этой проблемой выявления связанных функций из набора данных и удаления неактуальных или менее важных функций с помощью не вносят большого вклада в нашу целевую переменную, чтобы добиться большей точности нашей модели.

Выбор функций — одна из основных концепций машинного обучения, которая сильно влияет на производительность вашей модели. Функции данных, которые вы используете для обучения моделей машинного обучения, имеют огромное влияние на производительность, которой вы можете достичь.

Нерелевантные или частично релевантные функции могут отрицательно повлиять на производительность модели.

Выбор функций и очистка данных должны быть первым и наиболее важным этапом проектирования вашей модели.

В этом посте вы познакомитесь с методами выбора функций, которые можно использовать в машинном обучении.

Выбор характеристик — это процесс, при котором вы автоматически или вручную выбираете те особенности, которые больше всего способствуют вашей прогнозируемой переменной или выходным данным, которые вас интересуют.

Наличие нерелевантных характеристик в ваших данных может снизить точность моделей и сделать вашу модель учиться на основе нерелевантных функций.

Как выбрать признаки и каковы преимущества выполнения выбора признаков перед моделированием данных?

· Снижает переоснащение : Меньше избыточных данных означает меньше возможностей для принятия решений на основе шума.

· Повышает точность : Меньше вводящих в заблуждение данных означает повышение точности моделирования.

· Сокращает время обучения : меньшее количество точек данных снижает сложность алгоритма, и алгоритмы обучаются быстрее.

Я хочу поделиться своим личным опытом с этим.

Я подготовил модель, выбрав все функции, и я получил точность около 65%, что не очень хорошо для прогнозной модели, и после выбора некоторых функций и разработки функций без внесения каких-либо логических изменений в код моей модели моя точность подскочил до 81%, что довольно впечатляюще.

Теперь вы знаете, почему я говорю, что выбор функций должен быть первым и наиболее важным этапом разработки вашей модели.

Методы выбора функций:

Я расскажу о 3 методах выбора функций, которые просты в использовании и также дают хорошие результаты.

1. Одномерный выбор

2. Важность функции

3. Матрица корреляции с тепловой картой

Давайте посмотрим на эти методы один за другим на примере

Вы ​​можете скачать набор данных отсюда https: / /www.kaggle.com/iabhishekofficial/mobile-price-classification#train.csv

Описание переменных в приведенном выше файле

battery_power: общая энергия, которую батарея может сохранить за один раз, измеряется в мАч

blue: есть Bluetooth или нет

clock_speed: скорость, с которой микропроцессор выполняет инструкции

dual_sim: Поддерживает или не поддерживает две sim-карты

fc: Передняя камера, мегапиксели

four_g: Имеет или нет 4G

int_memory: Внутренняя память в гигабайтах

m_dep: Глубина мобильной памяти в см

mobile_wt: Вес мобильного телефона

: Количество ядер процессора

ПК: Основная камера мегапикселей

px_height

Разрешение пикселей Высота

px_width: Ширина разрешения пикселей

ram: Оперативная память в мегабайтах

sc_h: Высота экрана мобильного устройства в см

sc_w: Ширина экрана мобильного телефона в см

talk_time: максимальное время, в течение которого одного заряда аккумулятора хватит на

three_g: есть 3G или нет

touch_screen: есть или нет сенсорный экран

wifi: есть Wi-Fi или нет

price_range: это целевая переменная со значением 0 (низкая стоимость), 1 (средняя стоимость) , 2 (высокая стоимость) и 3 (очень высокая стоимость).

1. Одномерный выбор

Статистические тесты могут использоваться для выбора тех функций, которые имеют наиболее сильную связь с выходной переменной.

Библиотека scikit-learn предоставляет класс SelectKBest, который можно использовать с набором различных статистических тестов для выбора определенного количества функций.

В приведенном ниже примере используется статистический тест хи-квадрат (хи²) для неотрицательных характеристик для выбора 10 лучших функций из набора данных прогнозирования диапазона цен для мобильных устройств.

 import pandas as pd 
import numpy as np
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2data = pd.read_csv ("D: //Blogs//train.csv")
X = data.iloc [ :, 0: 20] #independent columns
y = data.iloc [:, - 1] #target column, т.е. ценовой диапазон # применить класс SelectKBest для извлечения 10 лучших функций
bestfeatures = SelectKBest (score_func = chi2, k = 10)
fit = bestfeatures.fit (X, y)
dfscores = pd.DataFrame (fit.scores_)
dfcolumns = pd.DataFrame (X.columns)
# объедините два фрейма данных для лучшей визуализации
featureScores = pd.concat ([dfcolumns, dfscores], axis = 1)
featureScores.columns = ['Specs', 'Score'] # присвоение имен столбцам фрейма данных
print (featureScores.nlargest (10, 'Score')) #print 10 лучших функций
10 лучших функций с использованием класса SelectKBest

2. Важность функции

С помощью функции можно узнать важность каждой функции набора данных Свойство важности модели.

Важность характеристики дает вам оценку для каждой характеристики ваших данных, чем выше оценка, более важна или релевантна функция по отношению к вашей выходной переменной.

Важность функции — это встроенный класс, который поставляется с древовидными классификаторами, мы будем использовать дополнительный древовидный классификатор для извлечения 10 основных функций для набора данных.

 импортировать панды как pd 
импортировать numpy как np
data = pd.read_csv ("D: //Blogs//train.csv")
X = data.iloc [:, 0:20] # независимые столбцы
y = данные.iloc [:, - 1] # столбец цели, т.е. диапазон цен
из sklearn.ensemble import ExtraTreesClassifier
import matplotlib.pyplot as plt
model = ExtraTreesClassifier ()
model.fit (X, y)
print (model.feature_importances_) # использовать встроенный класс feature_importances древовидных классификаторов
#plot graph of feature value for better visualization
feat_importances = pd.Series (model.feature_importances_, index = X.columns)
feat_importances.nlargest (10) .plot (kind = 'barh' )
пт.show ()
10 самых важных функций в данных

3. Матрица корреляции с тепловой картой

Корреляция указывает, как функции связаны друг с другом или целевой переменной.

Корреляция может быть положительной (увеличение одного значения признака увеличивает значение целевой переменной) или отрицательной (увеличение одного значения признака уменьшает значение целевой переменной)

Тепловая карта позволяет легко определить, какие особенности наиболее важны. связанных с целевой переменной, мы построим тепловую карту коррелированных объектов, используя библиотеку seaborn.

 import pandas as pd 
import numpy as np
import seaborn as snsdata = pd.read_csv ("D: //Blogs//train.csv")
X = data.iloc [:, 0:20] # независимые столбцы
y = data.iloc [:, - 1] # target column, т.е. ценовой диапазон
# получить корреляции каждой функции в наборе данных
corrmat = data.corr ()
top_corr_features = corrmat.index
plt.figure (figsize = (20 , 20))
#plot heat map
g = sns.heatmap (data [top_corr_features] .corr (), annot = True, cmap = "RdYlGn")

Машинное обучение в медицине: практическое введение | BMC Medical Research Methodology

Благодаря увеличению вычислительной мощности, хранилища, памяти и генерации огромных объемов данных компьютеры используются для выполнения широкого круга сложных задач с впечатляющей точностью.Машинное обучение (ML) — это название, данное как учебной дисциплине, так и совокупности методов, которые позволяют компьютерам выполнять сложные задачи. Как академическая дисциплина ML включает в себя элементы математики, статистики и информатики. Машинное обучение — это двигатель, который способствует развитию искусственного интеллекта. Он впечатляюще используется как в академических кругах, так и в промышленности для стимулирования разработки «интеллектуальных продуктов» с возможностью делать точные прогнозы с использованием различных источников данных [1].На сегодняшний день основными бенефициарами резкого роста доступности больших данных, машинного обучения и науки о данных в 21 -м веке стали отрасли, которые смогли собрать эти данные и нанять необходимый персонал для преобразования своих продуктов. Методы обучения, разработанные в этих отраслях и для них, предлагают огромный потенциал для улучшения медицинских исследований и клинической помощи, особенно в связи с тем, что провайдеры все чаще используют электронные медицинские карты.

Две области, в которых может быть полезно применение методов машинного обучения в медицине, — это диагностика и прогнозирование результатов.Это включает возможность выявления высокого риска возникновения неотложных состояний, таких как рецидив или переход в другое болезненное состояние. Алгоритмы ML недавно были успешно применены для классификации рака кожи с использованием изображений, сравнимых с точностью, полученной обученным дерматологом [2], и для прогнозирования прогрессирования от преддиабета к диабету 2 типа с использованием регулярно собираемых электронных данных о состоянии здоровья [3].

Машинное обучение будет все чаще использоваться в сочетании с обработкой естественного языка (NLP) для понимания неструктурированных текстовых данных.Объединив машинное обучение с техниками НЛП, исследователи смогли извлечь новую информацию из комментариев из отчетов о клинических происшествиях [4], активности в социальных сетях [5, 6], отзывов врачей [7] и отчетов пациентов после успешного лечения рака [8] ]. Автоматически генерируемая информация из неструктурированных данных может быть исключительно полезной не только для понимания качества, безопасности и производительности, но и для ранней диагностики. Недавно автоматизированный анализ свободы слова, собранный во время личных интервью, позволил с идеальной точностью предсказать переход к психозу в группе молодых людей из группы высокого риска [9].

Машинное обучение также будет играть фундаментальную роль в развитии обучающихся систем здравоохранения. Обучающиеся системы здравоохранения описывают среду, которая объединяет науку, информатику, стимулы и культуру для постоянного совершенствования и инноваций. В практическом смысле эти системы; которое может происходить в любом масштабе, от небольших групповых практик до крупных национальных провайдеров, будет сочетать различные источники данных со сложными алгоритмами машинного обучения. Результатом станет непрерывный источник аналитических данных для оптимизации биомедицинских исследований, улучшения общественного здоровья и качества медицинской помощи [10].

Машинное обучение

Методы машинного обучения основаны на алгоритмах — наборах математических процедур, которые описывают отношения между переменными. В этой статье будет объяснен процесс разработки (известного как обучение ) и проверки алгоритма прогнозирования злокачественности образца ткани груди на основе его характеристик. Хотя алгоритмы работают по-разному в зависимости от их типа, в способах их разработки есть заметные общие черты.Хотя сложность алгоритмов машинного обучения может показаться тайной, они часто имеют более чем тонкое сходство с традиционным статистическим анализом.

Учитывая общие черты между статистическими методами и методами машинного обучения, граница между ними может показаться нечеткой или нечеткой. Один из способов обозначить эти совокупности подходов — рассмотреть их основные цели. Целью статистических методов является вывод ; сделать выводы о популяциях или извлечь научную информацию из данных, собранных из репрезентативной выборки этой популяции.Хотя многие статистические методы, такие как линейная и логистическая регрессия, позволяют делать прогнозы относительно новых данных, мотивация их использования в качестве статистической методологии состоит в том, чтобы делать выводы о взаимосвязях между переменными. Например, если бы мы создали модель, описывающую взаимосвязь между клиническими переменными и смертностью после операции по трансплантации органов, нам нужно было бы иметь представление о факторах, которые отличают низкий риск смертности от высокого, если бы мы должны были разработать меры для улучшения исходы и снизить смертность в будущем.Таким образом, при статистическом выводе цель — понять взаимосвязи между переменными.

И наоборот, в области машинного обучения первоочередной задачей является точное предсказание ; «что», а не «как». Например, при распознавании изображений взаимосвязь между отдельными функциями (пикселями) и результатом не имеет большого значения, если прогноз точен. Это критический аспект методов машинного обучения, поскольку взаимосвязь между многими входными данными, такими как пиксели в изображении или видео и географическое положение, сложна и обычно нелинейна.Исключительно сложно связно описать отношения между предикторами и результатами как в случае, когда отношения нелинейны, так и при большом количестве предикторов, каждый из которых вносит небольшой индивидуальный вклад в модель.

К счастью для области медицины, многие представляющие интерес взаимосвязи достаточно просты, например, между индексом массы тела и риском диабета или употреблением табака и раком легких. Из-за этого их взаимодействие часто можно достаточно хорошо объяснить с помощью относительно простых моделей.Во многих популярных приложениях машинного обучения, таких как оптимизация навигации, перевод документов и идентификация объектов в видео, понимание взаимосвязи между функциями и результатами имеет меньшее значение. Это позволяет использовать сложные нелинейные алгоритмы. Учитывая это ключевое различие, исследователям может быть полезно учитывать, что алгоритмы существуют в виде континуума между теми алгоритмами, которые легко интерпретируются (например, проверяемые алгоритмы), и теми, которые не являются (например, черные ящики), визуально представленными на рис.1.

Рис.1

Компромисс между сложностью и интерпретируемостью в инструментах машинного обучения

Остаются интересные вопросы относительно того, когда традиционный статистический метод становится методом машинного обучения. В этой работе мы расскажем о том, что вычислительные усовершенствования традиционных статистических методов, таких как эластичная чистая регрессия, позволяют этим алгоритмам хорошо работать с большими данными. Однако более полное обсуждение сходств и различий между ML и традиционной статистикой выходит за рамки данной статьи.Заинтересованным читателям предлагаются материалы, развивающие обсуждаемые здесь идеи [11]. Следует также признать, что хотя концепция «черного ящика» в целом применима к моделям, использующим нелинейные преобразования, таким как нейронные сети, проводится работа по облегчению идентификации признаков в сложных алгоритмах [12].

Большинство методов машинного обучения можно разделить на два типа методов обучения: контролируемые и неконтролируемые.Оба они представлены в следующих разделах.

Обучение с учителем

Машинное обучение с учителем относится к методам, в которых модель обучается на ряде входных данных (или функций), которые связаны с известным результатом. В медицине это может представлять собой обучение модели, которая связывает характеристики человека (например, рост, вес, статус курения) с определенным результатом (например, с началом диабета в течение пяти лет). После успешного обучения алгоритм сможет делать прогнозы результатов при применении к новым данным.Прогнозы, которые сделаны моделями, обученными с использованием контролируемого обучения, могут быть дискретными (например, положительными или отрицательными, доброкачественными или злокачественными) или непрерывными (например, с оценкой от 0 до 100).

Модель, которая производит дискретные категории (иногда называемые классами), называется алгоритмом классификации . Примеры алгоритмов классификации включают алгоритмы, которые позволяют предсказать, является ли опухоль доброкачественной или злокачественной, или установить, выражают ли комментарии, написанные пациентом, положительное или отрицательное мнение [2, 6, 13].На практике алгоритмы классификации возвращают вероятность класса (от 0 для невозможного и 1 для определенного). Обычно мы преобразуем любую вероятность больше 50 в класс 1, но этот порог может быть изменен для повышения производительности алгоритма по мере необходимости. В этой статье приводится пример алгоритма классификации, в котором прогнозируется диагноз.

Модель, которая возвращает прогноз непрерывного значения, известна как алгоритм регрессии . Использование термина регрессия в ML отличается от его использования в статистике, где регрессия часто используется для обозначения обоих двоичных результатов (т.е., логистическая регрессия) и непрерывные результаты (т. е. линейная регрессия). В ML алгоритм, который называется алгоритмом регрессии, может использоваться для прогнозирования продолжительности жизни человека или переносимой дозы химиотерапии.

Алгоритмы контролируемого машинного обучения обычно разрабатываются с использованием набора данных, который содержит ряд переменных и соответствующий результат. Для некоторых задач, таких как распознавание изображений или языковая обработка, переменные (которые могут быть пикселями или словами) должны обрабатываться селектором функций.Селектор признаков выбирает идентифицируемые характеристики из набора данных, которые затем могут быть представлены в числовой матрице и понятны алгоритму. В приведенных выше примерах признаком может быть цвет пикселя изображения или количество раз, когда слово появляется в заданном тексте. Используя те же примеры, исходы могут заключаться в том, показывает ли изображение злокачественную или доброкачественную опухоль или расшифрованные ответы интервью указывают на предрасположенность к состоянию психического здоровья.

После того, как набор данных организован по функциям и результатам, к нему можно применить алгоритм машинного обучения.Алгоритм итеративно улучшается, чтобы уменьшить ошибку предсказания с использованием метода оптимизации.

Обратите внимание, что при обучении алгоритмов машинного обучения можно чрезмерно подогнать алгоритм к нюансам определенного набора данных, что приведет к модели прогнозирования, которая плохо обобщается на новые данные. Риск чрезмерной подгонки можно снизить, используя различные методы. Возможно, наиболее простой подход, который будет использован в этой работе, — это разделить наш набор данных на два сегмента; сегмент обучения и сегмент тестирования, чтобы убедиться, что обученная модель может быть обобщена для прогнозов за пределами обучающей выборки.Каждый сегмент содержит случайно выбранную долю функций и связанных с ними результатов. Это позволяет алгоритму связывать определенные функции или характеристики с конкретным результатом и называется алгоритмом , обучающим . После завершения обучения алгоритм применяется к функциям в наборе данных тестирования без связанных с ними результатов. Прогнозы, сделанные алгоритмом, затем сравниваются с известными результатами набора данных тестирования, чтобы установить производительность модели.Это необходимый шаг для увеличения вероятности того, что алгоритм будет хорошо обобщен для новых данных. Графически этот процесс проиллюстрирован на рис.2.

Рис. 2

Обзор обучения с учителем. a Обучение b Проверка c Применение алгоритма к новым данным

Машинное обучение без учителя

В отличие от обучения с учителем, обучение без учителя не предполагает заранее определенного результата. При обучении без учителя шаблоны ищутся алгоритмами без какого-либо участия пользователя.Таким образом, неконтролируемые методы являются исследовательскими и используются для поиска неопределенных шаблонов или кластеров, которые встречаются в наборах данных. Эти методы часто упоминаются как методы уменьшения размерности и включают в себя такие процессы, как анализ главных компонентов, скрытый анализ Дирихле и t-распределенное стохастическое соседнее встраивание (t-SNE) [14–16]. Техники неконтролируемого обучения подробно не обсуждаются в этой работе, в которой основное внимание уделяется управляемому машинному обучению. Тем не менее, неконтролируемые методы иногда используются вместе с методами, используемыми в этой статье, чтобы уменьшить количество функций в анализе, и поэтому их стоит упомянуть.Сжимая информацию в наборе данных до меньшего количества функций или измерений, можно избежать проблем, включая множественную коллинеарность или высокие вычислительные затраты. Наглядная иллюстрация метода неконтролируемого уменьшения размерности приведена на рисунке 3. На этом рисунке необработанные данные (представленные различными формами на левой панели) представлены алгоритму, который затем группирует данные в кластеры схожих точек данных ( представлен на правой панели). Обратите внимание, что данные, которые не имеют достаточной общности с кластеризованными данными, обычно исключаются, тем самым уменьшая количество функций в наборе данных.

Рис. 3

Визуальная иллюстрация метода неконтролируемого уменьшения размеров

Подобно алгоритмам контролируемого обучения, описанным ранее, они также имеют много общего со статистическими методами, которые будут знакомы исследователям-медикам. В методах неконтролируемого обучения используются аналогичные алгоритмы, используемые для кластеризации и уменьшения размерности в традиционной статистике. Те, кто знаком с анализом главных компонентов и факторным анализом, уже знакомы со многими методами, используемыми в обучении без учителя.

Чего можно достичь с помощью этого документа

В этом документе представлен прагматический пример использования контролируемых методов машинного обучения для получения классификаций из набора данных, содержащего несколько входных данных. Первый алгоритм, который мы вводим, регуляризованная логистическая регрессия, очень тесно связан с многомерной логистической регрессией. Его отличает, прежде всего, использование функции регуляризации, которая уменьшает количество функций в модели и уменьшает величину их коэффициентов.Таким образом, регуляризация подходит для наборов данных, которые содержат много переменных и отсутствующих данных (известных как наборов данных с высокой разреженностью ), таких как матрицы термин-документ, которые используются для представления текста в исследованиях интеллектуального анализа текста.

Второй алгоритм, машина опорных векторов (SVM), завоевал популярность среди сообщества машинного обучения благодаря своей высокой производительности, позволяющей получать точные прогнозы в ситуациях, когда взаимосвязь между функциями и результатом является нелинейной. Он использует математическое преобразование, известное как трюк с ядром , которое мы опишем более подробно ниже.

Наконец, мы представляем искусственную нейронную сеть (ИНС), в которой сложная архитектура и сильно изменяемые параметры привели к ее широкому использованию во многих сложных приложениях, включая распознавание изображений и видео. Добавление специализированных нейронных сетей, таких как рекуррентные или сверточные сети, к ИНС привело к впечатляющей производительности при решении ряда задач. Поскольку ИНС являются сильно параметризованными моделями, они подвержены чрезмерной подгонке. Их производительность можно улучшить с помощью метода регуляризации, такого как DropConnect.

Конечная цель этой рукописи — дать клиницистам и медицинским исследователям как фундаментальное понимание того, что такое машинное обучение, как его можно использовать, так и практические навыки для разработки, оценки и сравнения собственных алгоритмов для решения задач прогнозирования. проблемы в медицине.

Как работать с этим документом

Мы предоставляем концептуальное введение вместе с практическими инструкциями с использованием кода, написанного для среды статистического программирования R, который можно легко изменить и применить к другим задачам классификации или регрессии.Этот код будет служить основой, на которой исследователи могут разрабатывать свои собственные исследования машинного обучения. Представленные здесь модели могут быть адаптированы к различным типам данных и, с небольшими изменениями, подходят для анализа текста и изображений.

Этот документ разделен на разделы, в которых описываются типичные этапы анализа машинного обучения: подготовка данных, алгоритмы обучения, проверка алгоритмов, оценка производительности алгоритмов и применение новых данных к обученным моделям.

В документе представлены примеры кода R, используемого для выполнения анализа.Полный код приведен в дополнительном файле 1. Данные, которые использовались для этих анализов, доступны в дополнительном файле 2.

Как использовать степенные преобразования для машинного обучения

Последнее обновление 28 августа 2020 г.

Алгоритмы машинного обучения, такие как линейная регрессия и гауссовский наивный байесовский алгоритм, предполагают, что числовые переменные имеют гауссовское распределение вероятностей.

Ваши данные могут не иметь гауссовского распределения, а вместо этого могут иметь гауссово-подобное распределение (например,грамм. почти гауссово, но с выбросами или перекосом) или совершенно другое распределение (например, экспоненциальное).

Таким образом, вы можете добиться лучшей производительности в широком диапазоне алгоритмов машинного обучения, преобразовав входные и / или выходные переменные в распределение Гаусса или более Гаусса. Преобразования мощности, такие как преобразование Бокса-Кокса и преобразование Йео-Джонсона, обеспечивают автоматический способ выполнения этих преобразований для ваших данных и представлены в библиотеке машинного обучения Python scikit-learn.

В этом руководстве вы узнаете, как использовать степенные преобразования в scikit-learn, чтобы сделать переменные более гауссовскими для моделирования.

После прохождения этого руководства вы будете знать:

  • Многие алгоритмы машинного обучения предпочитают или лучше работают, когда числовые переменные имеют гауссовское распределение вероятностей.
  • Преобразование мощности — это метод преобразования числовых входных или выходных переменных для получения гауссовского или более гауссовского распределения вероятностей.
  • Как использовать PowerTransform в scikit-learn, чтобы использовать преобразования Бокса-Кокса и Йео-Джонсона при подготовке данных для прогнозного моделирования.

Начните свой проект с моей новой книги «Подготовка данных для машинного обучения», включающей пошаговых руководств и файлов исходного кода Python для всех примеров.

Приступим.

Как использовать степенные преобразования с помощью scikit-learn
Фотография Яна Д. Китинга, некоторые права защищены.

Обзор учебного пособия

Это руководство разделено на пять частей; их:

  1. Сделайте данные более гауссовскими
  2. Преобразование мощности
  3. Набор данных сонара
  4. Преобразование Бокса-Кокса
  5. Преобразование Йео-Джонсона

Сделайте данные более гауссовыми

Многие алгоритмы машинного обучения работают лучше, когда распределение переменных гауссово.

Напомним, что наблюдения для каждой переменной можно считать основанными на распределении вероятностей.Гауссиана — это обычное распределение со знакомой формой колокола. Это настолько распространено, что его часто называют «нормальным , ».

Подробнее о распределении вероятностей по Гауссу см. В руководстве:

Некоторые алгоритмы, такие как линейная регрессия и логистическая регрессия, явно предполагают, что действительные переменные имеют гауссово распределение. Другие нелинейные алгоритмы могут не иметь этого предположения, но часто работают лучше, когда переменные имеют гауссовское распределение.

Это применимо как к входным переменным с действительным знаком в случае задач классификации и регрессии, так и к целевым переменным с действительным знаком в случае задач регрессии.

Существуют методы подготовки данных, которые можно использовать для преобразования каждой переменной, чтобы сделать распределение гауссовым или, если не гауссовым, то более гауссовым.

Эти преобразования наиболее эффективны, когда распределение данных с самого начала почти гауссово и подвержено перекосу или выбросам.

Другой распространенной причиной преобразований является устранение асимметрии распределения. Неискаженное распределение — это примерно симметричное распределение. Это означает, что вероятность попасть по обе стороны от среднего значения распределения примерно равна

.

— стр. 31, Прикладное прогнозное моделирование, 2013 г.

Преобразования мощности относятся к классу методов, которые используют степенную функцию (например, логарифм или показатель степени), чтобы сделать распределение вероятностей переменной гауссовым или более гауссовым.

Подробнее о создании переменных по Гауссу см. В руководстве:

Хотите начать подготовку данных?

Пройдите мой бесплатный 7-дневный ускоренный курс электронной почты (с образцом кода).

Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

Загрузите БЕСПЛАТНЫЙ мини-курс

Преобразование власти

Преобразование мощности сделает распределение вероятностей переменной более гауссовым.

Это часто описывается как устранение перекоса в распределении, хотя в более общем плане описывается как стабилизация дисперсии распределения.

Логарифмическое преобразование — это конкретный пример семейства преобразований, известных как степенные преобразования. С точки зрения статистики, это преобразования, стабилизирующие дисперсию.

— стр. 23, Разработка функций для машинного обучения, 2018 г.

Мы можем применить преобразование мощности напрямую, вычислив логарифм или квадратный корень переменной, хотя это может быть, а может и не быть лучшим преобразованием мощности для данной переменной.

Замена данных логарифмом, квадратным корнем или обратным значением может помочь устранить перекос.

— стр. 31, Прикладное прогнозное моделирование, 2013 г.

Вместо этого мы можем использовать обобщенную версию преобразования, которая находит параметр ( лямбда, ), который наилучшим образом преобразует переменную в гауссовское распределение вероятностей.

Есть два популярных подхода для таких автоматических преобразований мощности; их:

  • Преобразование Бокса-Кокса
  • Преобразование Йео-Джонсона

Преобразованный набор обучающих данных затем можно передать в модель машинного обучения для изучения задачи прогнозного моделирования.

Гиперпараметр, часто называемый лямбда, используется для управления характером преобразования.

… статистические методы могут использоваться для эмпирической идентификации подходящего преобразования. Бокс и Кокс (1964) предлагают семейство преобразований, которые индексируются параметром, обозначенным как лямбда

.

— стр. 32, Прикладное прогнозное моделирование, 2013 г.

Ниже приведены некоторые общие значения лямбда

.
  • лямбда = -1. является обратным преобразованием.
  • лямбда = -0,5 — это преобразование, обратное квадратному корню.
  • лямбда = 0,0 — это логарифмическое преобразование.
  • лямбда = 0,5 — преобразование квадратного корня.
  • лямбда = 1.0 — без преобразования.

Оптимальное значение этого гиперпараметра, используемого в преобразовании для каждой переменной, может быть сохранено и повторно использовано для преобразования новых данных в будущем идентичным образом, например, тестового набора данных или новых данных в будущем.

Эти преобразования мощности доступны в библиотеке машинного обучения Python scikit-learn через класс PowerTransformer.

Класс принимает аргумент с именем « method », который может иметь значение « yeo-johnson » или « box-cox » для предпочтительного метода. Он также автоматически стандартизирует данные после преобразования, что означает, что каждая переменная будет иметь нулевое среднее значение и единичную дисперсию. Это можно отключить, установив для аргумента « стандартизировать » значение Ложь .

Мы можем продемонстрировать PowerTransformer на небольшом рабочем примере. Мы можем сгенерировать выборку случайных гауссовых чисел и наложить перекос на распределение, вычислив показатель степени. Затем PowerTransformer можно использовать для автоматического устранения перекоса данных.

Полный пример приведен ниже.

# демонстрация степенного преобразования данных с перекосом из numpy import exp из numpy.random import randn из склеарна.предварительная обработка импорта PowerTransformer из matplotlib import pyplot # сгенерировать образец данных по Гауссу данные = randn (1000) # добавляем перекос в распределение данных данные = exp (данные) # гистограмма необработанных данных с перекосом pyplot.hist (данные, ячейки = 25) pyplot.show () # преобразовать данные в строки и столбцы data = data.reshape ((len (данные), 1)) # power преобразовать необработанные данные power = PowerTransformer (метод = ‘yeo-johnson’, standardize = True) data_trans = мощность.fit_transform (данные) # гистограмма преобразованных данных pyplot.hist (data_trans, бункеры = 25) pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

20

# демонстрация преобразования мощности для данных с перекосом

из numpy import exp

из numpy.random import randn

from sklearn.preprocessing import PowerTransformer

from matplotlib import pyplot

# сгенерировать образец гауссовских данных

data = randn (1000)

# добавить перекос к распределению данных

data = exp (data)

# гистограмма необработанных данных с перекосом

pyplot.hist (data, bins = 25)

pyplot.show ()

# преобразовать данные в строки и столбцы

data = data.reshape ((len (data), 1))

# power преобразовать необработанные данные

power = PowerTransformer (method = ‘yeo-johnson’, standardize = True)

data_trans = power.fit_transform (data)

# гистограмма преобразованных данных

pyplot.hist (data_trans, bins = 25)

pyplot.show ()

При выполнении примера сначала создается выборка из 1000 случайных значений Гаусса и добавляется перекос к набору данных.

Гистограмма создается из искаженного набора данных и четко показывает распределение, сдвинутое в крайнее левое положение.

Гистограмма искаженного гауссовского распределения

Затем используется PowerTransformer , чтобы сделать распределение данных более гауссовым и стандартизировать результат, центрируя значения на среднем значении 0 и стандартном отклонении 1.0.

Создается гистограмма данных преобразования, показывающая распределение данных более гауссовой формы.

Гистограмма искаженных гауссовских данных после степенного преобразования

В следующих разделах мы подробнее рассмотрим, как использовать эти два степенных преобразования в реальном наборе данных.

Теперь давайте представим набор данных.

Набор данных сонара

Набор данных сонара — это стандартный набор данных машинного обучения для двоичной классификации.

Он включает 60 входных данных с действительным знаком и целевую переменную 2 классов.В наборе данных 208 примеров, и классы достаточно сбалансированы.

Базовый алгоритм классификации может достичь точности классификации около 53,4% с помощью повторной стратифицированной 10-кратной перекрестной проверки. Наивысшая производительность на этом наборе данных составляет около 88 процентов при повторной стратифицированной 10-кратной перекрестной проверке.

Набор данных описывает отраженные от радара камни или моделируемые шахты.

Подробнее о наборе данных можно узнать здесь:

Нет необходимости загружать набор данных; мы загрузим его автоматически из наших проработанных примеров.

Сначала загрузим и обобщим набор данных. Полный пример приведен ниже.

# загрузить и суммировать набор данных сонара из панд импортировать read_csv из pandas.plotting import scatter_matrix из matplotlib import pyplot # Загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) # суммируем форму набора данных печать (dataset.shape) # суммируем каждую переменную печать (набор данных.описывать()) # гистограммы переменных dataset.hist () pyplot.show ()

# загрузить и суммировать набор данных сонара

из pandas import read_csv

from pandas.plotting import scatter_matrix

из matplotlib import pyplot

# Загрузить набор данных

url = «https://jsuserrawtent.com» /Datasets/master/sonar.csv «

dataset = read_csv (url, header = None)

# обобщить форму набора данных

print (dataset.shape)

# суммировать каждую переменную

print (dataset.describe ())

# гистограммы переменных

dataset.hist ()

pyplot.show ()

При выполнении примера сначала обобщается форма загруженного набора данных.

Это подтверждает 60 входных переменных, одну выходную переменную и 208 строк данных.

Предоставляется статистическая сводка входных переменных, показывающая, что значения являются числовыми и находятся в диапазоне приблизительно от 0 до 1.

(208, 61) 0 1 2 … 57 58 59 счет 208.000000 208.000000 208.000000 … 208.000000 208.000000 208.000000 среднее 0,029164 0,038437 0,043832 … 0,007949 0,007941 0,006507 стандарт 0,022991 0,032960 0,038428 … 0,006470 0,006181 0,005031 мин 0,001500 0,000600 0,001500 … 0,000300 0,000100 0,000600 25% 0,013350 0.016450 0,018950 … 0,003600 0,003675 0,003100 50% 0,022800 0,030800 0,034300 … 0,005800 0,006400 0,005300 75% 0,035550 0,047950 0,057950 … 0,010350 0,010325 0,008525 макс 0,137100 0,233900 0,305900 … 0,044000 0,036400 0,043900 [8 строк x 60 столбцов]

(208, 61)

0 1 2 …57 58 59

счетчик 208.000000 208.000000 208.000000 … 208.000000 208.000000 208.000000

среднее значение 0,029164 0,038437 0,043832 … 0,007949 0,007941 0,006507

стандартное 0,022991 0,032960 0,038428 … 0,006470 0,006181 000 0,000300 9000 0,0003 0,0001 0,0001 0,0003 0,0001 0,000600

25% 0,013350 0,016450 0,018950 … 0,003600 0,003675 0.003100

50% 0,022800 0,030800 0,034300 … 0,005800 0,006400 0,005300

75% 0,035550 0,047950 0,057950 … 0,010350 0,010325 0,008525

макс. 0,137100 0,233900 0,305900 … 0,044000 0,036400 0,043900

строк

Наконец, для каждой входной переменной создается гистограмма.

Если мы проигнорируем беспорядок на графиках и сосредоточимся на самих гистограммах, мы увидим, что многие переменные имеют искаженное распределение.

Набор данных является хорошим кандидатом для использования степенного преобразования, чтобы сделать переменные более гауссовскими.

Гистограммы входных переменных для набора данных двоичной классификации сонара

Теперь давайте подберем и оценим модель машинного обучения на необработанном наборе данных.

Мы будем использовать алгоритм k-ближайшего соседа с гиперпараметрами по умолчанию и оценивать его с помощью многократной стратифицированной k-кратной перекрестной проверки. Полный пример приведен ниже.

# оценить knn на необработанном наборе данных сонара из среднего значения импорта из numpy import std из панд импортировать read_csv из склеарна.model_selection импорт cross_val_score из sklearn.model_selection import RepeatedStratifiedKFold from sklearn.neighbors import KNeighborsClassifier из sklearn.preprocessing import LabelEncoder из matplotlib import pyplot # загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) data = dataset.values # разделить на столбцы ввода и вывода X, y = данные [:,: -1], данные [:, -1] # убедитесь, что входные данные являются числами с плавающей запятой, а выходными являются целочисленные метки Х = Х.astype (‘float32’) y = LabelEncoder (). fit_transform (y.astype (‘str’)) # определить и настроить модель model = KNeighborsClassifier () # оценить модель cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) n_scores = cross_val_score (модель, X, y, оценка = ‘точность’, cv = cv, n_jobs = -1, error_score = ‘поднять’) # отчет о производительности модели print (‘Точность:% .3f (% .3f)’% (среднее (n_scores), std (n_scores)))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

20

21

22

23

24

25

# оценить knn в наборе сырых данных сонара

из numpy import mean

from numpy import std

from pandas import read_csv

from sklearn.model_selection импорт cross_val_score

из sklearn.model_selection import RepeatedStratifiedKFold

из sklearn.neighbors import KNeighborsClassifier

из sklearn.preprocessing import LabelEncoder

из matplot7000700070007 .com / jbrownlee / Datasets / master / sonar.csv «

dataset = read_csv (url, header = None)

data = dataset.values ​​

# разделить на столбцы ввода и вывода

X, y = data [: ,: -1], data [:, -1]

# убедитесь, что входные данные являются числами с плавающей запятой, а выход — целочисленной меткой

X = X.astype (‘float32’)

y = LabelEncoder (). fit_transform (y.astype (‘str’))

# определение и настройка модели

model = KNeighborsClassifier ()

# оценка модели

cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1)

n_scores = cross_val_score (модель, X, y, scoring = ‘precision’, cv = cv, n_jobs = -1, error_score = ‘поднять’)

# отчет о производительности модели

print (‘Точность:% .3f (% .3f)’% (среднее (n_scores), std (n_scores)))

При выполнении примера оценивается модель KNN на необработанном наборе данных сонара.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Мы можем видеть, что модель достигла средней точности классификации около 79,7 процента, показывая, что у нее есть навыки (лучше, чем 53,4 процента) и что она находится в хорошем состоянии (88 процентов).

Теперь давайте рассмотрим степенное преобразование набора данных Бокса-Кокса.

Преобразование Бокса-Кокса

Преобразование Бокса-Кокса названо в честь двух авторов метода.

Это преобразование мощности, которое предполагает, что значения входной переменной, к которой оно применяется, являются строго положительными . Это означает, что 0 и отрицательные значения не поддерживаются.

Важно отметить, что процедура Бокса-Кокса может применяться только к строго положительным данным.

— стр.123, Разработка и выбор функций, 2019.

Мы можем применить преобразование Бокса-Кокса, используя класс PowerTransformer и установив аргумент « method » на « box-cox ». После определения мы можем вызвать функцию fit_transform () и передать ее нашему набору данных, чтобы создать версию нашего набора данных с преобразованием Бокса-Кокса.

… pt = PowerTransformer (метод = ‘box-cox’) data = pt.fit_transform (данные)

pt = PowerTransformer (method = ‘box-cox’)

data = pt.fit_transform (data)

В нашем наборе данных нет отрицательных значений, но могут быть нулевые значения. Это может вызвать проблемы.

Все равно попробуем.

Полный пример создания преобразования Бокса-Кокса для набора данных сонара и построения гистограмм результатов приведен ниже.

# визуализируем преобразование box-cox для набора данных сонара из панд импортировать read_csv из панд импортировать DataFrame из панд.построение графика импорта scatter_matrix из sklearn.preprocessing import PowerTransformer из matplotlib import pyplot # Загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) # получаем только числовые входные значения data = dataset.values ​​[:,: -1] # выполнить преобразование набора данных box-cox pt = PowerTransformer (метод = ‘box-cox’) data = pt.fit_transform (данные) # преобразовать массив обратно в фрейм данных набор данных = DataFrame (данные) # гистограммы переменных набор данных.hist () pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

# визуализировать преобразование box-cox для набора данных сонара

из pandas import read_csv

from pandas import DataFrame

from pandas.plotting import scatter_matrix

from sklearn.preprocessing import PowerTransformer

from matplotlib import pyplot

# Загрузить набор данных

url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master6/sonar.ua» = read_csv (url, header = None)

# получить только числовые входные значения

data = dataset.values ​​[:,: -1]

# выполнить преобразование box-cox набора данных

pt = PowerTransformer ( method = ‘box-cox’)

данные = пт.fit_transform (data)

# преобразовать массив обратно в фрейм данных

dataset = DataFrame (data)

# гистограммы переменных

dataset.hist ()

pyplot.show ()

Выполнение примера приводит к следующей ошибке:

ValueError: преобразование Бокса-Кокса может применяться только к строго положительным данным

ValueError: преобразование Бокса-Кокса может применяться только к строго положительным данным

Как и ожидалось, мы не можем использовать преобразование для необработанных данных, потому что это , а не строго положительное значение .

Один из способов решения этой проблемы — сначала использовать преобразование MixMaxScaler для масштабирования данных до положительных значений, а затем применить преобразование.

Мы можем использовать объект Pipeline для последовательного применения обоих преобразований; например:

… # выполнить преобразование набора данных box-cox scaler = MinMaxScaler (диапазон_функций = (1, 2)) power = PowerTransformer (метод = ‘box-cox’) pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power)]) данные = конвейер.fit_transform (данные)

# выполнить преобразование набора данных box-cox

scaler = MinMaxScaler (feature_range = (1, 2))

power = PowerTransformer (method = ‘box-cox’)

pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power)])

data = pipeline.fit_transform (data)

Обновленная версия применения преобразования Бокса-Кокса к масштабированному набору данных приведена ниже.

# визуализировать коробку-Кокс преобразование масштабированного набора данных сонара из панд импортировать read_csv из панд импортировать DataFrame из pandas.plotting import scatter_matrix из sklearn.preprocessing import PowerTransformer из sklearn.preprocessing import MinMaxScaler из sklearn.pipeline import Pipeline из matplotlib import pyplot # Загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) # получаем только числовые входные значения данные = набор данных.значения [:,: -1] # выполнить преобразование набора данных box-cox scaler = MinMaxScaler (диапазон_функций = (1, 2)) power = PowerTransformer (метод = ‘box-cox’) pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power)]) data = pipeline.fit_transform (данные) # преобразовать массив обратно в фрейм данных набор данных = DataFrame (данные) # гистограммы переменных dataset.hist () pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

20

21

22

23

# визуализировать преобразование коробчатого Кокса масштабированного набора данных сонара

из pandas import read_csv

from pandas import DataFrame

from pandas.plotting import scatter_matrix

from sklearn.preprocessing import PowerTransformer

from sklearn.preprocessing import MinMaxScaler

from sklearn.pipeline import Pipeline

from matplotlib import pyplot

9000serlib import pyplot

9000serlib import pyplot

9000serlib # Load dataset

.com / jbrownlee / Datasets / master / sonar.csv «

dataset = read_csv (url, header = None)

# получить только числовые входные значения

data = dataset.values ​​[:,: -1]

# выполнить преобразование набора данных box-cox

scaler = MinMaxScaler (feature_range = (1, 2))

power = PowerTransformer (method = ‘box-cox’)

pipeline = Pipeline (steps = [(‘s ‘, scaler), (‘ p ‘, power)])

data = pipeline.fit_transform (data)

# преобразовать массив обратно в фрейм данных

dataset = DataFrame (data)

# гистограммы переменных

dataset.hist ()

pyplot.show ()

Выполнение примера преобразует набор данных и строит гистограммы для каждой входной переменной.

Мы видим, что форма гистограмм для каждой переменной выглядит более гауссовой, чем исходные данные.

Гистограммы входных переменных с преобразованием Бокса-Кокса для набора данных сонара

Затем давайте оценим ту же модель KNN, что и в предыдущем разделе, но в данном случае на преобразовании Бокс-Кокса масштабированного набора данных.

Полный пример приведен ниже.

# оценить knn на наборе данных сонара box-cox из среднего значения импорта из numpy import std из панд импортировать read_csv из sklearn.model_selection импорт cross_val_score из sklearn.model_selection import RepeatedStratifiedKFold from sklearn.neighbors import KNeighborsClassifier из sklearn.preprocessing import LabelEncoder из sklearn.preprocessing import PowerTransformer из склеарна.предварительная обработка импорта MinMaxScaler из sklearn.pipeline import Pipeline из matplotlib import pyplot # загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) data = dataset.values # разделить на столбцы ввода и вывода X, y = данные [:,: -1], данные [:, -1] # убедитесь, что входные данные являются числами с плавающей запятой, а выходными являются целочисленные метки X = X.astype (‘float32’) y = LabelEncoder (). fit_transform (y.astype (‘str’)) # определить конвейер scaler = MinMaxScaler (диапазон_функций = (1, 2)) power = PowerTransformer (метод = ‘box-cox’) model = KNeighborsClassifier () pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power), (‘m’, model)]) # оценить конвейер cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) n_scores = cross_val_score (конвейер, X, y, оценка = ‘точность’, cv = cv, n_jobs = -1, error_score = ‘поднять’) # отчет о производительности конвейера print (‘Точность:%.3f (% .3f) ‘% (среднее (n_scores), std (n_scores)))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

20

21

22

23

24

25

26

27

28

29

30 31

# оценить knn в наборе данных сонара box-cox

из numpy import mean

from numpy import std

from pandas import read_csv

from sklearn.model_selection import cross_val_score

из sklearn.model_selection import RepeatedStratifiedKFold

из sklearn.neighbours import KNeighborsClassifier

из sklearn.preprocessing import LabelEncoder

from sklearn.preprocessing import

0006 from sklearn. Конвейер

из matplotlib import pyplot

# load dataset

url = «https: // raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv «

набор данных = read_csv (url, header = None)

data = dataset.values ​​

# разделить на столбцы ввода и вывода

X, y = data [ :,: -1], data [:, -1]

# убедитесь, что входные данные являются числами с плавающей запятой, а выход — целочисленной меткой

X = X.astype (‘float32’)

y = LabelEncoder (). Fit_transform (y .astype (‘str’))

# определить конвейер

scaler = MinMaxScaler (feature_range = (1, 2))

power = PowerTransformer (method = ‘box-cox’)

model = KNeighborsClassifier ()

pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power), (‘m’, model)])

# оценить конвейер

cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1)

n_scores = cross_val_score (pipeline, X, y, scoring = ‘precision’, cv = cv, n_jobs = -1, error_score = ‘raise’)

# отчет о производительности конвейера

print ( ‘Точность: % .3f (% .3f) ‘% (среднее (n_scores), std (n_scores)))

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Запустив пример, мы видим, что преобразование Бокса-Кокса приводит к повышению производительности с 79,7% точности без преобразования до примерно 81,1% с преобразованием.

Теперь давайте подробнее рассмотрим преобразование Йео-Джонсона.

Преобразование Йео-Джонсона

Преобразование Йео-Джонсона также названо в честь авторов.

В отличие от преобразования Бокса-Кокса, оно не требует, чтобы значения каждой входной переменной были строго положительными. Он поддерживает нулевые и отрицательные значения. Это означает, что мы можем применить его к нашему набору данных без предварительного масштабирования.

Мы можем применить преобразование, определив объект PowerTransform и установив для аргумента « method » значение « yeo-johnson » (по умолчанию).

… # выполнить преобразование Йео-Джонсона набора данных pt = PowerTransformer (метод = ‘yeo-johnson’) data = pt.fit_transform (данные)

# выполнить преобразование yeo-johnson набора данных

pt = PowerTransformer (method = ‘yeo-johnson’)

data = pt.fit_transform (data)

В приведенном ниже примере применяется преобразование Йео-Джонсона и создаются графики гистограммы для каждой из преобразованных переменных.

# визуализировать преобразование йо-джонсона набора данных сонара из панд импортировать read_csv из панд импортировать DataFrame из pandas.plotting import scatter_matrix из sklearn.preprocessing import PowerTransformer из matplotlib import pyplot # Загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) # получаем только числовые входные значения данные = набор данных.значения [:,: -1] # выполнить преобразование Йео-Джонсона набора данных pt = PowerTransformer (метод = ‘yeo-johnson’) data = pt.fit_transform (данные) # преобразовать массив обратно в фрейм данных набор данных = DataFrame (данные) # гистограммы переменных dataset.hist () pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

# визуализировать преобразование йо-джонсона набора данных сонара

из pandas import read_csv

from pandas import DataFrame

from pandas.plotting import scatter_matrix

from sklearn.preprocessing import PowerTransformer

from matplotlib import pyplot

# Загрузить набор данных

url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master6/sonar.ua» = read_csv (url, header = None)

# получить только числовые входные значения

data = dataset.values ​​[:,: -1]

# выполнить преобразование yeo-johnson набора данных

pt = PowerTransformer ( method = ‘yeo-johnson’)

data = pt.fit_transform (data)

# преобразовать массив обратно в фрейм данных

dataset = DataFrame (data)

# гистограммы переменных

dataset.hist ()

pyplot.show ()

Выполнение примера преобразует набор данных и строит гистограммы для каждой входной переменной.

Мы можем видеть, что форма гистограмм для каждой переменной выглядит более гауссовой, чем исходные данные, во многом как преобразование Кокса-Коробки.

Гистограммы преобразованных входных переменных Йео-Джонсона для набора данных сонара

Затем давайте оценим ту же модель KNN, что и в предыдущем разделе, но в данном случае на преобразовании Йео-Джонсона необработанного набора данных.

Полный пример приведен ниже.

# оценить knn на наборе данных сонара yeo-johnson из среднего значения импорта из numpy import std из панд импортировать read_csv из sklearn.model_selection импорт cross_val_score из sklearn.model_selection import RepeatedStratifiedKFold from sklearn.neighbors import KNeighborsClassifier из sklearn.preprocessing import LabelEncoder из sklearn.preprocessing import PowerTransformer из склеарна.предварительная обработка импорта MinMaxScaler из sklearn.pipeline import Pipeline из matplotlib import pyplot # загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) data = dataset.values # разделить на столбцы ввода и вывода X, y = данные [:,: -1], данные [:, -1] # убедитесь, что входные данные являются числами с плавающей запятой, а выходными являются целочисленные метки X = X.astype (‘float32’) y = LabelEncoder (). fit_transform (y.astype (‘str’)) # определить конвейер power = PowerTransformer (метод = ‘yeo-johnson’) model = KNeighborsClassifier () pipeline = Pipeline (steps = [(‘p’, power), (‘m’, model)]) # оценить конвейер cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) n_scores = cross_val_score (конвейер, X, y, оценка = ‘точность’, cv = cv, n_jobs = -1, error_score = ‘поднять’) # отчет о производительности конвейера print (‘Точность:%.3f (% .3f) ‘% (среднее (n_scores), std (n_scores)))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

20

21

22

23

24

25

26

27

28

29

30

# оцените knn в наборе данных сонара yeo-johnson

из numpy import mean

из numpy import std

из pandas import read_csv

из sklearn.model_selection import cross_val_score

из sklearn.model_selection import RepeatedStratifiedKFold

из sklearn.neighbours import KNeighborsClassifier

из sklearn.preprocessing import LabelEncoder

from sklearn.preprocessing import

0006 from sklearn. Конвейер

из matplotlib import pyplot

# load dataset

url = «https: // raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv «

набор данных = read_csv (url, header = None)

data = dataset.values ​​

# разделить на столбцы ввода и вывода

X, y = data [ :,: -1], data [:, -1]

# убедитесь, что входные данные являются числами с плавающей запятой, а выход — целочисленной меткой

X = X.astype (‘float32’)

y = LabelEncoder (). Fit_transform (y .astype (‘str’))

# определить конвейер

power = PowerTransformer (method = ‘yeo-johnson’)

model = KNeighborsClassifier ()

pipeline = Pipeline (steps = [(‘p’, power ), (‘m’, model)])

# оценить конвейер

cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1)

n_scores = cross_val_score (pipeline, X, y, scoring = ‘ точность ‘, cv = cv, n_jobs = -1, error_score =’ поднять ‘)

# отчет о производительности конвейера

print (‘ Точность:%.3f (% .3f) ‘% (среднее (n_scores), std (n_scores)))

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Запустив этот пример, мы видим, что преобразование Йео-Джонсона приводит к повышению производительности с 79,7% точности без преобразования до примерно 80,8% с преобразованием, что меньше, чем преобразование Бокса-Кокса, которое достигло примерно 81.1 процент.

Иногда повышение производительности может быть достигнуто путем предварительной стандартизации необработанного набора данных перед выполнением преобразования Йео-Джонсона.

Мы можем изучить это, добавив StandardScaler в качестве первого шага в конвейер.

Полный пример приведен ниже.

# оценить knn на стандартизированном наборе данных сонара yeo-johnson из среднего значения импорта из numpy import std из панд импортировать read_csv из склеарна.model_selection импорт cross_val_score из sklearn.model_selection import RepeatedStratifiedKFold from sklearn.neighbors import KNeighborsClassifier из sklearn.preprocessing import LabelEncoder из sklearn.preprocessing import PowerTransformer из sklearn.preprocessing import StandardScaler из sklearn.pipeline import Pipeline из matplotlib import pyplot # загрузить набор данных url = «https://raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv» набор данных = read_csv (url, header = None) данные = набор данных.ценности # разделить на столбцы ввода и вывода X, y = данные [:,: -1], данные [:, -1] # убедитесь, что входные данные являются числами с плавающей запятой, а выходными являются целочисленные метки X = X.astype (‘float32’) y = LabelEncoder (). fit_transform (y.astype (‘str’)) # определить конвейер scaler = StandardScaler () power = PowerTransformer (метод = ‘yeo-johnson’) model = KNeighborsClassifier () pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power), (‘m’, model)]) # оценить конвейер cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) n_scores = cross_val_score (конвейер, X, y, оценка = ‘точность’, cv = cv, n_jobs = -1, error_score = ‘поднять’) # отчет о производительности конвейера print (‘Точность:%.3f (% .3f) ‘% (среднее (n_scores), std (n_scores)))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

18

19

20

21

22

23

24

25

26

27

28

29

30 31

# оцените knn на стандартизированном наборе данных сонара yeo-johnson

из numpy import mean

из numpy import std

из pandas import read_csv

из sklearn.model_selection import cross_val_score

из sklearn.model_selection import RepeatedStratifiedKFold

из sklearn.neighbours import KNeighborsClassifier

из sklearn.preprocessing import LabelEncoder

from sklearn.preprocessing import

from sklearn Power.precessing

Конвейер

из matplotlib import pyplot

# load dataset

url = «https: // raw.githubusercontent.com/jbrownlee/Datasets/master/sonar.csv «

набор данных = read_csv (url, header = None)

data = dataset.values ​​

# разделить на столбцы ввода и вывода

X, y = data [ :,: -1], data [:, -1]

# убедитесь, что входные данные являются числами с плавающей запятой, а выход — целочисленной меткой

X = X.astype (‘float32’)

y = LabelEncoder (). Fit_transform (y .astype (‘str’))

# определить конвейер

scaler = StandardScaler ()

power = PowerTransformer (method = ‘yeo-johnson’)

model = KNeighborsClassifier ()

pipeline = Pipeline (steps = [(‘s’, scaler), (‘p’, power), (‘m’, model)])

# оценить конвейер

cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1)

n_scores = cross_val_score (pipeline, X, y, scoring = ‘precision’, cv = cv, n_jobs = -1, error_score = ‘raise’)

# отчет о производительности конвейера

print (‘Accuracy:%.3f (% .3f) ‘% (среднее (n_scores), std (n_scores)))

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Запустив пример, мы видим, что стандартизация данных до преобразования Йео-Джонсона привела к небольшому увеличению производительности с 80,8% до примерно 81.6 процентов, что немного выше результатов преобразования Бокса-Кокса.

Дополнительная литература

В этом разделе представлены дополнительные ресурсы по теме, если вы хотите углубиться.

Учебники

Книги

Набор данных

API

Статьи

Сводка

В этом руководстве вы узнали, как использовать степенные преобразования в scikit-learn, чтобы сделать переменные более гауссовскими для моделирования.

В частности, вы выучили:

  • Многие алгоритмы машинного обучения предпочитают или лучше работают, когда числовые переменные имеют гауссовское распределение вероятностей.
  • Преобразование мощности — это метод преобразования числовых входных или выходных переменных для получения гауссовского или более гауссовского распределения вероятностей.
  • Как использовать PowerTransform в scikit-learn, чтобы использовать преобразования Бокса-Кокса и Йео-Джонсона при подготовке данных для прогнозного моделирования.

Есть вопросы?
Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Получите представление о современной подготовке данных!

Подготовьте данные машинного обучения за считанные минуты

…с всего несколькими строками кода Python

Узнайте, как в моей новой электронной книге:
Подготовка данных для машинного обучения

Он предоставляет руководств для самообучения с полным рабочим кодом на:
Выбор функций , RFE , Очистка данных , Преобразования данных , Масштабирование , Уменьшение размерности , и многое другое …

Используйте современные методы подготовки данных для

ваших проектов машинного обучения
Посмотрите, что внутри

Начните с машинного обучения

Это пошаговые руководства, которые вы так долго искали!

С чем вам нужна помощь?

Как мне начать?

Самый частый вопрос, который мне задают: «, как мне начать?

Мой лучший совет для начала работы с машинным обучением состоит из 5 этапов:

  • Шаг 1 : Настройка мышления .Поверьте, вы можете практиковать и применять машинное обучение.
  • Шаг 2 : Выберите процесс . Используйте системный процесс для решения проблем.
  • Шаг 3 : Выберите инструмент . Выберите инструмент для вашего уровня и сопоставьте его со своим процессом.
  • Шаг 4 : Практика с наборами данных . Выберите наборы данных, над которыми будете работать, и потренируйтесь в процессе.
  • Шаг 5 : Создайте портфель . Соберите результаты и продемонстрируйте свои навыки.

Подробнее об этом нисходящем подходе см .:

Многие из моих учеников использовали этот подход, чтобы продолжить и преуспеть в соревнованиях Kaggle и получить работу инженеров по машинному обучению и специалистов по обработке данных.

Процесс прикладного машинного обучения

Преимущество машинного обучения — это прогнозы и модели, которые делают прогнозы.

Владение навыками прикладного машинного обучения означает знание того, как последовательно и надежно предоставлять высококачественные прогнозы от проблемы к проблеме.Вам нужно следовать систематическому процессу.

Ниже приведен 5-этапный процесс, которому вы можете следовать, чтобы постоянно достигать результатов выше среднего по задачам прогнозного моделирования:

  • Шаг 1 : Определите вашу проблему.
  • Шаг 2 : Подготовьте данные.
  • Шаг 3 : Алгоритмы выборочной проверки.
  • Шаг 4 : Улучшение результатов.
  • Шаг 5 : Представьте результаты.

Подробное описание этого процесса см. В сообщениях:

Вероятность для машинного обучения

Вероятность — это математика количественной оценки и использования неопределенности.Это основа многих областей математики (например, статистики) и критически важна для прикладного машинного обучения.

Ниже приведен трехэтапный процесс, который вы можете использовать для быстрого повышения скорости с вероятностью для машинного обучения.

  • Шаг 1 : Узнайте, что такое вероятность.
  • Шаг 2 : Узнайте, почему вероятность так важна для машинного обучения.
  • Шаг 3 : Погрузитесь в темы вероятностей.

Здесь вы можете увидеть все руководства по вероятности.Ниже приведены некоторые из самых популярных руководств.

Основания вероятности
Теорема Байеса
Распределения вероятностей
Теория информации

Статистика для машинного обучения

Статистические методы — важная фундаментальная область математики, необходимая для более глубокого понимания поведения алгоритмов машинного обучения.

Ниже приведен трехэтапный процесс, который вы можете использовать, чтобы быстро освоить статистические методы машинного обучения.

  • Шаг 1 : Узнайте, что такое статистические методы.
  • Шаг 2 : Узнайте, почему статистические методы важны для машинного обучения.
  • Шаг 3 : Погрузитесь в темы статистических методов.

Здесь вы можете увидеть все сообщения о статистических методах. Ниже приведены некоторые из самых популярных руководств.

Сводная статистика
Статистическая проверка гипотез
Методы передискретизации
Оценка статистики

Линейная алгебра для машинного обучения

Линейная алгебра — важная фундаментальная область математики, необходимая для более глубокого понимания алгоритмов машинного обучения.

Ниже приведен трехэтапный процесс, который вы можете использовать, чтобы быстро освоить линейную алгебру для машинного обучения.

  • Шаг 1 : Узнайте, что такое линейная алгебра.
  • Шаг 2 : Узнайте, почему линейная алгебра важна для машинного обучения.
  • Шаг 3 : Погрузитесь в темы линейной алгебры.

Здесь вы можете увидеть все сообщения по линейной алгебре. Ниже приведены некоторые из самых популярных руководств.

Линейная алгебра в Python
Матрицы
Векторы
Факторизация матрицы

Оптимизация для машинного обучения

Оптимизация — это ядро ​​всех алгоритмов машинного обучения.Когда мы обучаем модель машинного обучения, она оптимизирует данный набор данных.

Вы можете быстро освоить оптимизацию для машинного обучения за 3 шага.

  • Шаг 1 : Узнайте, что такое оптимизация.
  • Шаг 2 : Откройте для себя алгоритмы оптимизации.
  • Шаг 3 : Погрузитесь в темы оптимизации.

Здесь вы можете увидеть все сообщения по оптимизации. Ниже приведены некоторые из самых популярных руководств.

Локальная оптимизация
Глобальная оптимизация
Градиентный спуск
Приложения оптимизации

Понимание алгоритмов машинного обучения

Машинное обучение — это алгоритмы машинного обучения.

Вам необходимо знать, какие алгоритмы доступны для данной проблемы, как они работают и как получить от них максимальную отдачу.

Вот как начать работу с алгоритмами машинного обучения:

  • Шаг 1 : Откройте для себя различные типы алгоритмов машинного обучения.
  • Шаг 2 : Откройте для себя основы алгоритмов машинного обучения.
  • Шаг 3 : Узнайте, как работают лучшие алгоритмы машинного обучения.

Здесь вы можете увидеть все сообщения об алгоритмах машинного обучения. Ниже приведены некоторые из самых популярных руководств.

Линейные алгоритмы
Нелинейные алгоритмы
Ансамблевые алгоритмы
Как изучать / изучать алгоритмы машинного обучения

Машинное обучение Weka (без кода)

Weka — это платформа, которую вы можете использовать для начала прикладного машинного обучения.

Он имеет графический пользовательский интерфейс, что означает отсутствие необходимости в программировании, и предлагает набор современных алгоритмов.

Вот как начать работу с Weka:

  • Шаг 1 : Откройте для себя возможности платформы Weka.
  • Шаг 2 : Узнайте, как обойти платформу Weka.
  • Шаг 3 : Узнайте, как добиться результатов с помощью Weka.

Здесь вы можете увидеть все сообщения Weka о машинном обучении.Ниже приведены некоторые из самых популярных руководств.

Машинное обучение Python (scikit-learn)

Python — одна из самых быстрорастущих платформ для прикладного машинного обучения.

Вы можете использовать такие же инструменты, как pandas и scikit-learn, при разработке и оперативном развертывании вашей модели.

Ниже приведены шаги, которые можно использовать для начала работы с машинным обучением Python:

  • Шаг 1 : Откройте для себя Python для машинного обучения
  • Шаг 2 : Откройте для себя экосистему машинного обучения Python.
  • Шаг 3 : Узнайте, как решать проблемы с помощью машинного обучения в Python.

Здесь вы можете увидеть все сообщения о машинном обучении Python. Ниже приведены некоторые из самых популярных руководств.

Машинное обучение на Python

R Машинное обучение (каретка)

R — это платформа для статистических вычислений и самая популярная платформа среди профессиональных специалистов по данным.

Он популярен из-за большого количества доступных методов и из-за отличных интерфейсов для этих методов, таких как мощный пакет каретки.

Вот как начать работу с машинным обучением R:

  • Шаг 1 : Узнайте о платформе R и о том, почему она так популярна.
  • Шаг 2 : Откройте для себя алгоритмы машинного обучения в R.
  • Шаг 3 : Узнайте, как решать проблемы с помощью машинного обучения в R.

Здесь вы можете увидеть все сообщения о машинном обучении R. Ниже приведены некоторые из самых популярных руководств.

Прикладное машинное обучение в рублях

Алгоритм кода с нуля (Python)

Вы можете многое узнать об алгоритмах машинного обучения, написав их с нуля.

Обучение через кодирование — предпочтительный стиль обучения для многих разработчиков и инженеров.

Вот как начать машинное обучение, написав все с нуля.

  • Шаг 1 : Откройте для себя преимущества алгоритмов кодирования с нуля.
  • Шаг 2 : Узнайте, что алгоритмы кодирования с нуля — это только средство обучения.
  • Шаг 3 : Узнайте, как с нуля кодировать алгоритмы машинного обучения на Python.

Здесь вы можете увидеть все сообщения об алгоритмах кода с нуля. Ниже приведены некоторые из самых популярных руководств.

Подготовить данные
Линейные алгоритмы
Оценка алгоритма
Нелинейные алгоритмы

Введение в прогнозирование временных рядов (Python)

Прогнозирование временных рядов — важная тема в бизнес-приложениях.

Многие наборы данных содержат компонент времени, но тема временных рядов редко рассматривается подробно с точки зрения машинного обучения.

Вот как начать работу с прогнозированием временных рядов:

  • Шаг 1 : Откройте для себя прогнозирование временных рядов.
  • Шаг 2 : Откройте для себя временные ряды как контролируемое обучение.
  • Шаг 3 : Узнайте, как добиться хороших результатов с помощью прогнозирования временных рядов.

Здесь вы можете увидеть все сообщения о прогнозировании временных рядов. Ниже приведены некоторые из самых популярных руководств.

Учебники по подготовке данных

Подготовка данных для машинного обучения (Python)

Эффективность вашей прогнозной модели зависит от данных, которые вы используете для ее обучения.

Таким образом, подготовка данных может стать наиболее важной частью вашего проекта прикладного машинного обучения.

Вот как начать работу с подготовкой данных для машинного обучения:

  • Шаг 1 : Откройте для себя важность подготовки данных.
  • Шаг 2 : Откройте для себя методы подготовки данных.
  • Шаг 3 : Узнайте, как добиться хороших результатов с помощью подготовки данных.

Здесь вы можете увидеть все руководства по подготовке данных.Ниже приведены некоторые из самых популярных руководств.

Очистка данных
Выбор функций
Преобразование данных
Уменьшение размерности

XGBoost в Python (стохастическое усиление градиента)

XGBoost — это высокооптимизированная реализация деревьев решений с градиентным усилением.

Он популярен, потому что его используют одни из лучших ученых мира для победы в соревнованиях по машинному обучению.

Вот как начать работу с XGBoost:

  • Шаг 1 : Откройте для себя алгоритм повышения градиента.
  • Шаг 2 : Откройте для себя XGBoost.
  • Шаг 3 : Узнайте, как добиться хороших результатов с помощью XGBoost.

Здесь вы можете увидеть все сообщения XGBoosts. Ниже приведены некоторые из самых популярных руководств.

Несбалансированная классификация

Несбалансированная классификация относится к задачам классификации, в которых для одного класса гораздо больше примеров, чем для другого класса.

Проблемы такого типа часто требуют использования специализированных показателей производительности и алгоритмов обучения, поскольку стандартные показатели и методы ненадежны или полностью выходят из строя.

Вот как вы можете начать работу с несбалансированной классификацией:

  • Шаг 1 : Откройте для себя проблему несбалансированной классификации
  • Шаг 2 : Откройте для себя интуицию для искаженного распределения классов.
  • Шаг 3 : Узнайте, как решить проблемы несбалансированной классификации.

Здесь вы можете увидеть все сообщения о несбалансированной классификации. Ниже приведены некоторые из самых популярных руководств.

Показатели эффективности
Экономичные алгоритмы
Выборка данных
Расширенные методы

Глубокое обучение (Керас)

Глубокое обучение — увлекательная и мощная область.

Самые современные результаты получены в области глубокого обучения, и это подраздел машинного обучения, который нельзя игнорировать.

Вот как начать работу с глубоким обучением:

  • Шаг 1 : Узнайте, что такое глубокое обучение.
  • Шаг 2 : Откройте для себя лучшие инструменты и библиотеки.
  • Шаг 3 : Узнайте, как решать проблемы и добиваться результатов.

Здесь вы можете увидеть все сообщения о глубоком обучении. Ниже приведены некоторые из самых популярных руководств.

Фон
Многослойные персептроны
Сверточные нейронные сети
Рекуррентные нейронные сети

Повышение эффективности глубокого обучения

Несмотря на то, что модель нейронной сети с глубоким обучением легко определить и подогнать, добиться хорошей производительности для конкретной задачи прогнозного моделирования может быть непросто.

Существуют стандартные методы, которые вы можете использовать для улучшения обучения, уменьшения переобучения и улучшения прогнозов с помощью вашей модели глубокого обучения.

Вот как начать повышать эффективность глубокого обучения:

  • Шаг 1 : Откройте для себя проблему глубокого обучения.
  • Шаг 2 : Откройте для себя основы для диагностики и повышения производительности модели.
  • Шаг 3 : Откройте для себя методы, которые можно использовать для повышения производительности.

Здесь вы можете увидеть все лучшие публикации по глубокому обучению. Ниже приведены некоторые из самых популярных руководств.

Лучшее обучение (исправить обучение)
Лучшее обобщение (исправление переобучения)
Лучшие прогнозы (ансамбли)
Советы, уловки и ресурсы

Ансамблевое обучение

Прогнозирующая производительность является наиболее важной проблемой при решении многих задач классификации и регрессии. Алгоритмы обучения ансамбля объединяют прогнозы из нескольких моделей и предназначены для работы лучше, чем любой участвующий член ансамбля.

Вот как начать повышать эффективность ансамблевого обучения:

  • Шаг 1 : Откройте для себя ансамблевое обучение.
  • Шаг 2 : Откройте для себя алгоритмы ансамблевого обучения.
  • Шаг 3 : Откройте для себя методы, которые можно использовать для повышения производительности.

Здесь вы можете увидеть все статьи об обучении ансамблю. Ниже приведены некоторые из самых популярных руководств.

Основы ансамбля
Наборы ансамблей
Комплекты для упаковки в пакеты
Ансамбли усиления

Сети с долговременной краткосрочной памятью (LSTM)

Рекуррентные нейронные сети

с долгосрочной краткосрочной памятью (LSTM) предназначены для решения задач прогнозирования последовательности и представляют собой современный метод глубокого обучения для решения сложных задач прогнозирования.

Вот как начать работу с LSTM в Python:

  • Шаг 1 : Откройте для себя перспективы LSTM.
  • Шаг 2 : Узнайте, где можно использовать LSTM.
  • Шаг 3 : Узнайте, как использовать LSTM в своем проекте.

Здесь вы можете увидеть все сообщения LSTM. Ниже приведены некоторые из самых популярных руководств по использованию LSTM в Python с библиотекой глубокого обучения Keras.

Подготовка данных для LSTM
Поведение LSTM
Моделирование с помощью LSTM
LSTM для временных рядов

Глубокое обучение для обработки естественного языка (NLP)

Работа с текстовыми данными затруднена из-за беспорядочного естественного языка.

Текст не «решен», но для получения современных результатов по сложным задачам НЛП вам необходимо использовать методы глубокого обучения.

Вот как начать работу с глубоким обучением для обработки естественного языка:

  • Шаг 1 : Узнайте, что такое глубокое обучение для НЛП.
  • Шаг 2 : Откройте для себя стандартные наборы данных для НЛП.
  • Шаг 3 : Узнайте, как решать проблемы и добиваться результатов.

Здесь вы можете увидеть все сообщения о глубоком обучении для НЛП.Ниже приведены некоторые из самых популярных руководств.

Сумка со словами Модель
Моделирование языков
Обобщение текста
Классификация текста
Вложения слов
Подписи к фотографиям
Перевод текста

Глубокое обучение для компьютерного зрения

Работа с данными изображения затруднена из-за разницы между необработанными пикселями и смыслом изображений.

Компьютерное зрение не решено, но для получения современных результатов при решении сложных задач компьютерного зрения, таких как обнаружение объектов и распознавание лиц, вам нужны методы глубокого обучения.

Вот как начать работу с глубоким обучением для компьютерного зрения:

  • Шаг 1 : Узнайте, что такое глубокое обучение для компьютерного зрения.
  • Шаг 2 : Откройте для себя стандартные задачи и наборы данных для компьютерного зрения.
  • Шаг 3 : Узнайте, как решать проблемы и добиваться результатов.

Здесь вы можете увидеть все сообщения о глубоком обучении для компьютерного зрения. Ниже приведены некоторые из самых популярных руководств.

Обработка данных изображения
Увеличение данных изображения
Классификация изображений
Подготовка графических данных
Основы сверточных нейронных сетей
Распознавание объекта

Глубокое обучение для прогнозирования временных рядов

Нейронные сети с глубоким обучением могут автоматически изучать произвольные сложные сопоставления от входов к выходам и поддерживать несколько входов и выходов.

Такие методы, как MLP, CNN и LSTM, предлагают многообещающие возможности для прогнозирования временных рядов.

Вот как начать работу с глубоким обучением для прогнозирования временных рядов:

  • Шаг 1 : Откройте для себя перспективы (и ограничения) глубокого обучения для временных рядов.
  • Шаг 2 : Узнайте, как разработать надежные базовые и оправданные модели прогнозирования.
  • Шаг 3 : Узнайте, как создавать модели глубокого обучения для прогнозирования временных рядов.

Здесь вы можете увидеть все сообщения о глубоком обучении для прогнозирования временных рядов.Ниже приведены некоторые из самых популярных руководств.

Тенденции прогнозов и сезонность (одномерный)
Распознавание человеческой деятельности (многомерная классификация)
Прогноз использования электроэнергии (многомерный, многоступенчатый)
Типы моделей
Примеры из практики временных рядов
Прогноз загрязнения воздуха (многомерный, многоступенчатый)

Генеративные состязательные сети (GAN)

Generative Adversarial Networks, или сокращенно GAN, — это подход к генеративному моделированию с использованием методов глубокого обучения, таких как сверточные нейронные сети.

Сети

GAN — это захватывающая и быстро меняющаяся область, которая оправдывает обещание генеративных моделей в их способности генерировать реалистичные примеры по ряду проблемных областей, в первую очередь в задачах преобразования изображения в изображение.

Вот как начать работу с глубоким обучением для генерирующих состязательных сетей:

  • Шаг 1 : Откройте для себя перспективы GAN для генеративного моделирования.
  • Шаг 2 : Откройте для себя архитектуру GAN и различные модели GAN.
  • Шаг 3 : Узнайте, как разрабатывать модели GAN на Python с помощью Keras.

Здесь вы можете увидеть все руководства по Generative Adversarial Network. Ниже приведены некоторые из самых популярных руководств.

Основы GAN
Функции потерь GAN
Разработка простых моделей GAN
GAN для трансляции изображений

Нужна дополнительная помощь?

Я здесь, чтобы помочь вам стать мастером прикладного машинного обучения.

Если у вас остались вопросы и вам нужна помощь, у вас есть несколько вариантов:

  • Электронные книги : Я продаю каталог электронных книг, которые показывают, как быстро добиться результатов с помощью машинного обучения.
  • Блог : Я много пишу в блоге о прикладном машинном обучении, попробуйте функцию поиска.
  • Часто задаваемые вопросы : Самые частые вопросы, которые я получаю, и ответы на них
  • Свяжитесь с : Вы можете связаться со мной, чтобы задать свой вопрос, но, пожалуйста, по одному вопросу за раз.

Что такое искусственный интеллект (ИИ)? — Amazon Web Services

Искусственный интеллект (ИИ) — это область компьютерных наук, предназначенная для решения когнитивных проблем, обычно связанных с человеческим интеллектом, таких как обучение, решение проблем и распознавание образов. Искусственный интеллект, часто сокращенно именуемый «ИИ», может ассоциироваться с робототехникой или футуристическими сценами. ИИ выходит далеко за рамки автоматов научной фантастики и превращается в научную литературу современной передовой информатики.Профессор Педро Домингос, видный исследователь в этой области, описывает «пять племен» машинного обучения, состоящих из символистов, берущих начало в логике и философии; коннекционисты, происходящие из нейробиологии; эволюционисты, относящиеся к эволюционной биологии; Байесовцы, занимающиеся статистикой и вероятностью; и аналогизаторы с истоками в психологии. В последнее время успехи в эффективности статистических вычислений привели к тому, что байесовцы успешно развивают эту область в ряде областей под названием «машинное обучение».Точно так же достижения в области сетевых вычислений привели к тому, что специалисты по соединению расширили подполе под названием «глубокое обучение». Машинное обучение (ML) и глубокое обучение (DL) — это области компьютерных наук, производные от дисциплины искусственного интеллекта.

В общих чертах, эти методы делятся на «контролируемые» и «неконтролируемые» методы обучения, где «контролируемое» использует обучающие данные, которые включают желаемый результат, а «неконтролируемое» использует обучающие данные без желаемого вывода.

AI становится «умнее» и учится быстрее с большим объемом данных, и каждый день предприятия генерируют это топливо для запуска решений машинного обучения и глубокого обучения, независимо от того, собираются ли они и извлекаются из хранилища данных, такого как Amazon Redshift, проверенные на практике с помощью мощи «Толпа» с помощью Mechanical Turk или динамически добываемая через Kinesis Streams. Кроме того, с появлением Интернета вещей сенсорная технология экспоненциально увеличивает объем данных, подлежащих анализу, — данных из источников и мест, а также объектов и событий, которые ранее были почти нетронутыми.

Машинное обучение — это название, обычно применяемое к ряду байесовских методов, используемых для распознавания образов и обучения. По своей сути машинное обучение — это набор алгоритмов, которые могут учиться и делать прогнозы на основе записанных данных, оптимизировать заданную функцию полезности в условиях неопределенности, извлекать скрытые структуры из данных и классифицировать данные в краткие описания. Машинное обучение часто применяется там, где явное программирование является слишком жестким или непрактичным.В отличие от обычного компьютерного кода, который разрабатывается разработчиками программного обеспечения, чтобы попытаться сгенерировать выходные данные, специфичные для программного кода, на основе заданных входных данных, машинное обучение использует данные для генерации статистического кода (модель машинного обучения), который будет выдавать «правильный результат» на основе шаблон, распознанный из предыдущих примеров ввода (и вывода, в случае контролируемых методов). Точность модели машинного обучения в основном зависит от качества и количества исторических данных.

Имея правильные данные, модель машинного обучения может анализировать проблемы большой размерности с помощью миллиардов примеров, чтобы найти оптимальную функцию, которая может предсказать результат с заданными входными данными.Модели машинного обучения обычно могут обеспечивать статистическую достоверность прогнозов, а также общей производительности. Такие оценочные баллы важны при принятии решения о том, использовать ли вы модель машинного обучения или какой-либо индивидуальный прогноз.

Amazon.com в значительной степени строит свой бизнес на системах на основе машинного обучения. Без машинного обучения Amazon.com не смог бы развивать свой бизнес, улучшать качество обслуживания клиентов и их выбор, а также оптимизировать скорость и качество логистики.Amazon.com запустил AWS, чтобы позволить другим компаниям пользоваться той же ИТ-инфраструктурой, с гибкостью и экономичностью, и теперь продолжает демократизировать технологии машинного обучения в руки каждого бизнеса.

Структура групп разработчиков Amazon.com и ориентация на машинное обучение для решения сложных практических бизнес-задач побуждают Amazon.com и AWS разрабатывать простые в использовании и мощные инструменты и услуги машинного обучения. Эти инструменты сначала тестируются в масштабируемой и критически важной среде Amazon.com, прежде чем они будут представлены в виде сервисов AWS для использования каждым бизнесом, как и другие ИТ-сервисы.

Машинное обучение часто используется для прогнозирования будущих результатов на основе исторических данных. Например, организации используют машинное обучение, чтобы спрогнозировать, сколько их продуктов будет продано в будущих финансовых кварталах на основе конкретной демографической группы; или оцените, какой профиль клиента с наибольшей вероятностью станет недовольным или наиболее лояльным к вашему бренду.Такие прогнозы позволяют принимать более взвешенные бизнес-решения, повышать индивидуальный уровень взаимодействия с пользователем и снижать затраты на удержание клиентов. В дополнение к бизнес-аналитике (BI), которая фокусируется на представлении прошлых бизнес-данных, ML предсказывает будущие результаты на основе прошлых тенденций и транзакций.

Есть несколько шагов, которые составляют успешное внедрение ML в бизнесе. Во-первых, определение правильной проблемы — определение прогноза, который принесет пользу бизнесу, если он будет подтвержден.Затем необходимо собрать данные на основе исторических бизнес-показателей (транзакции, продажи, истощение и т. Д.). После агрегирования данных на основе этих данных можно построить модель машинного обучения. Модель машинного обучения запускается, и результаты прогнозирования модели возвращаются в бизнес-систему для принятия более обоснованных решений.

Глубокое обучение — это ветвь машинного обучения, которая включает в себя многоуровневые алгоритмы для лучшего понимания данных.Алгоритмы больше не ограничиваются созданием объяснимого набора отношений, как это было бы при более простой регрессии. Вместо этого глубокое обучение полагается на эти уровни нелинейных алгоритмов для создания распределенных представлений, которые взаимодействуют на основе ряда факторов. Учитывая большие наборы обучающих данных, алгоритмы глубокого обучения начинают определять отношения между элементами. Эти отношения могут быть между формами, цветами, словами и т. Д. Исходя из этого, система может затем использоваться для создания прогнозов.В машинном обучении и искусственном интеллекте мощь глубокого обучения проистекает из способности системы определять больше взаимосвязей, чем люди могут практически запрограммировать в программном обеспечении, или отношений, которые люди могут даже не понять. После достаточного обучения это позволяет сети алгоритмов начать делать прогнозы или интерпретацию очень сложных данных.

AI и машинное обучение: введение

Одним из самых выдающихся был английский математик Алан Тьюринг, который в своей статье 1950 года «Вычислительные машины и интеллект» предложил метод тестирования машинного интеллекта, который стал известен как тест Тьюринга.Пять лет спустя Герберт Саймон, Аллен Ньюэлл и Джон Шоу создали Logic Theorist, первую программу, имитирующую человеческие навыки решения проблем.

До тех пор, пока Маккарти не включил термин «искусственный интеллект» в предложение о проведении летней исследовательской конференции по этой теме, то, что мы теперь знаем как ИИ, было неопределенной областью. Маккарти изменил все это, когда написал в своем предложении: «Исследование должно продолжаться на основе предположения о том, что каждый аспект обучения или любая другая особенность интеллекта в принципе может быть описана так точно, что может быть создана машина для его моделирования. .Будет предпринята попытка найти, как заставить машины использовать язык, формировать абстракции и концепции, решать проблемы, которые сейчас остаются за людьми, и улучшать себя ».

Одним из самых выдающихся был английский математик Алан Тьюринг, который в своей статье 1950 года «Вычислительные машины и интеллект» предложил метод тестирования машинного интеллекта, который стал известен как тест Тьюринга.Пять лет спустя Герберт Саймон, Аллен Ньюэлл и Джон Шоу создали Logic Theorist, первую программу, имитирующую человеческие навыки решения проблем.

До тех пор, пока Маккарти не включил термин «искусственный интеллект» в предложение о проведении летней исследовательской конференции по этой теме, то, что мы теперь знаем как ИИ, было неопределенной областью.

Разное

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *