2025-03-17 Waterson Nodevums #3

2025-03-17 Waterson Nodevums #3Nodevuma failiModeļu novērtējumsDokumentācijaasya_model.py izmaiņasmodel demo izmaiņasPapildus komentāri

Nodevuma faili

GDrive nodevumi: https://drive.google.com/drive/folders/1vqlVzzu1CI4RvFYO_JcKf9sqJKKy4l7S

Nodevums kā ZIP fails:

 

image-20250317130143926

 

Modeļu novērtējums

Zemāk dotās Confusion Matrix ir veidotas, izmantojot ansambļus ar konkrēta tipa modeļiem.

  1. Vecais modelis

Labāk spēj atpazīt Groundwater par jaunajiem modeļiem, bet kopumā sliktāk atpazīst anomālijas, pārāk daudz Dalse positives. Precizitāte uz anomāliju noteikšanu 71.8%, bet tieši uz konkrēto piesārņojuma veidu ir 39.9% F1.

image-20250317130208925

 

  1. Jaunais modelis apmācīts uz visām pieejamām datu kopām WT_DB1,2,3,4

Labāk spēj atpazīt Wastewater un Discoloration. Kopā ir labāks nekā vecais uz anomāliju noteikšanu ar ievērojami mazāk False Positive rate (neesošie piesārņojuma notikumi). Precizitāte uz anomāliju noteikšanu 75.6%, bet tieši uz konkrēto piesārņojuma veidu ir 49.5% F1.

image-20250317130216358

  1. Jaunais modelis apmācīts uz WT_DB1,3,4. WT2 bija trokšņaina datu kopa, tāpēc iepriekš nebija labākie rezultāti, to pievienojot, bet pēc mūsu datu tīrīšanas, izskatās, ka turpmāk varēs pievienot šo kopu, jo rezultāti pasliktinās, noņemot šo datu kopu.

Jaunais modelis trenēts uz WT_DB1,3,4

 

Dokumentācija

asya_model.py izmaiņas

image.png

model demo izmaiņas

image.png

timepoint_extractor demonstrācija un apskate pievienota demo, bet šo metodi nav nepieciešams izmantot, lai strādātu ar ansambļu modeli. Ja TC un TN ir noformēti atbilstoši prasībām, tad tos var veidot arī jebkurā citā veidā pēc ieskatiem un nepieciešamības.

timepoint_extractor demonstrācija un apskate pievienota demo, bet šo metodi nav nepieciešams izmantot, lai strādātu ar ansambļu modeli. Ja TC un TN ir noformēti atbilstoši prasībām, tad tos var veidot arī jebkurā citā veidā pēc ieskatiem un nepieciešamības.

image.png

image.png

image.png

Papildus komentāri