12.25

圣诞节快乐

大作业报告

课程名称  机器学习B                 成绩            

班级信2205-1       姓名  王晨宇        学号 20224074   

名称：混凝土承重等级预测

一、任务背景

在土木工程中，混凝土是构筑建筑物最基本的材料。混凝土可承受的强度与其寿命、制造所使用的材料、测试时的温度等因素息息相关。混凝土的制造过程十分复杂，涉及水泥、熔炉产出的煤渣和灰烬、水、强度塑化剂、粗聚合剂、细聚合剂等多种化工原料。我们用一个压力达2000kN的液压测试机采集混凝土承重能力的指标，对混凝土方块或圆柱体进行压力测试。这个测试是破坏性的，并且可能会持续很长时间，因此如果我们能够脱离实际测试，直接使用制作原料对其承重能力进行预测，则将具备非常高的商业价值。图1 显示了一次承重能力测试。在本次研究中，我们希望能够建立出一个以混凝土制作配方为输入数据，能够预测其承重能力的模型。 

     1  承重能力测试

二、任务数据

为了通过混凝土配方预测其成品的承重强度，我们向数据集中采集了大量的样本数据。每个样本都包含8个特征值作为输入数据，其输出值就是指标承重强度。

本数据集包含了如下指标（按照数据集中特征值的顺序进行排列），其中输入指标包括以下内容。

（1）Cement 单位：kg /m3。

（2）Blast Furnace Slag 单位：kg /m3。

（3）Fly Ash 单位：kg /m3。

（4）Water 单位：kg /m3。

（5）Superplasticizer 单位：kg /m3。

（6）Coarse Aggregate 单位：kg /m3。

（7）Fine Aggregate 单位：kg /m3。

（8）Age 单位：kg /m3。

输出指标包括Concrete compressive strength 单位：MPa。

每个样本有8个混凝土原料配方作为输入特征值（前8 列）及1个目标值（最后一列，承重强度）

三、任描述务

1.根据样本的承重强度对样本标签进行离散化处理，将连续承重强度转换为离散承重等级，然后实现分类任务。输出指标离散化需要考虑两方面因素：一是调研文献，分析各等级混凝土承重强度；二是不同的承重等级数目情况下，模型的预测效果，对比选出预测结果最好的离散化方式。(20分)

2.导入数据集，返回当前数据的统计信息并进行阐述说明，以前6行为例进行结果展示。(10分)

3. 对混凝土数据集进行可视化处理，生成各特征之间关系的矩阵图。(10分)

4. 数据预处理，并将原始数据集划分为训练集和测试集，选用合适的机器学习算法对混凝土数据集进行拟合。(20分)

5. 采用交叉验证，估计超参数，分析超参数对预测结果的影响。(20分)

6. 预测结果分析及可视化，绘制混淆矩阵，分析不同承重等级混凝土的查全率和查准率。(20分)

四、结果及分析

简明结果
精度	0.8		查准率	0.79	查全率	0.79	F1值	0.8
详细方案和结果分析
解决方案		【包括预测分析的设计思路的具体实现过程或实现步骤】 该任务的目标是通过混凝土的原料配方预测其承重强度。最初的目标是回归问题（预测一个连续的数值：承重强度），但为了更好地适应分类任务，我们将承重强度离散化，转化为分类问题。   离散化方案： 通过分析混凝土的承重强度，将其划分为若干个等级，类似于分类任务的标签。 模型选择： 选择适合分类任务的机器学习算法，如决策树、随机森林、支持向量机等。   1. 数据导入与基本分析 2. 离散化承重强度 根据文献或数据分布，将承重强度（Concrete compressive strength）离散化为多个等级。 3. 数据预处理 缺失值处理： 检查并处理缺失数据，可以选择删除或填充缺失值。 特征选择与缩放： 可以考虑对特征进行标准化或归一化，尤其是在使用如SVM等对特征尺度敏感的算法时。 4. 划分训练集与测试集 使用train_test_split将数据划分为训练集和测试集。 5. 模型选择与训练 选择多种分类算法进行训练，如逻辑回归、决策树、随机森林、支持向量机（SVM）等。 通过交叉验证评估模型的性能，选择最优模型。 6. 超参数优化与交叉验证 使用GridSearchCV对模型进行超参数调优，选择最优的超参数组合。 交叉验证帮助评估模型的稳定性和泛化能力。 7. 结果评估与可视化 通过混淆矩阵评估分类结果，检查模型在各个类别上的表现。 计算查准率（Precision）、查全率（Recall）、F1值等指标，了解模型的详细表现。
结果展示		【包括每个任务点结果的展示】 1.    根据样本的承重强度对样本标签进行离散化处理，将连续承重强度转换为离散承重等级。至少给出3种输出指标离散化的方案，并阐述理由。在后续任务中分别进行模型训练，并在结果展示4、5和结果分析中，从精度，查准率，查全率，FI值等多个角度进行分析，最终选出预测结果最好的离散化方式。 等距离散化：直接将承重强度范围按等距离切分，例如将0-50 MPa的范围分为5个等级。 基于分位数的离散化：使用数据集中的分位数来切分等级，确保每个类别包含的样本数量大致相同。 基于模型的离散化：使用分类模型（如决策树或聚类算法）来自动确定最佳的分割点   2.    返回前六条数据结果（结果截图，并标明图1. 数据展示），并对数据集中的概要信息进行描述。 图1   3.    数据可视化结果（标明图2. 数据可视化）   4.    混淆矩阵展示（标明图3. 分类混淆矩阵）   5.    精度，查准率，查全率，FI值的结果截图（标明图4. 分类结果）
结果分析		【包括预测结果分析（包括对超参影响、精度、查准率、查全率、F1值的分析）、可能存在的问题、可提升的改进思路等】   在使用网格搜索（GridSearchCV）优化随机森林模型的超参数后，我们得到了最终的最优超参数，并进行了模型训练和预测。为了评估模型的性能，我们使用了多个评价指标，包括准确率、查准率（Precision）、查全率（Recall）和F1值。 准确率（Accuracy）： 如果数据集中的类别分布不均，准确率可能会受到影响。例如，如果某一类别占比非常高，模型即使始终预测该类别，也能获得较高的准确率。 查准率（Precision）：预测为正类（即预测某一类别）的样本中，实际为正类的比例。高查准率意味着预测为某类的样本大多数都是正确的。如果查准率较低，可能意味着模型在预测某些类别时过于保守，误分类的样本较多。 查全率（Recall）：实际为正类的样本中，成功预测为正类的比例。高查全率意味着模型能够捕捉到尽可能多的正类样本。查全率较低可能意味着模型漏掉了一些真实的正类样本，特别是在类别不均衡的情况下，可能会对较小的类别造成较大影响。 F1值：查准率和查全率的调和平均数，是衡量模型准确性的一种综合指标。F1值对查准率和查全率的平衡进行了加权，它能够在类别不均衡的情况下，给出更为合理的性能评估。较低的F1值说明模型对少数类别的分类效果不佳。 超参数影响 可能存在的问题：类别不平衡 、特征选择不足、过拟合问题 可以使用特征选择方法（如基于模型的重要性评分、递归特征消除等）来优化特征集合。可以使用交叉验证、限制树的深度、增大样本量、进行特征选择等方法。 模型调参不够细致：虽然进行了网格搜索，但对于一些超参数的选择可能仍不够精细。可以进一步扩展网格搜索的超参数空间，甚至尝试使用随机搜索或贝叶斯优化来进一步提升模型性能。   3. 可提升的改进思路 调整模型参数： 增加 n_estimators 数量，提升模型的稳定性； 使用交叉验证调整 max_depth、min_samples_split 等超参数，使模型具有更强的泛化能力；数据预处理： 对数据进行标准化或归一化处理，尤其是对一些特征之间差异较大的情况下，可以有效提升模型性能。 进行特征工程，尝试创建新的特征或删除无关特征，以提高模型的学习效率。 类别不平衡的处理： 使用样本平衡方法，如SMOTE（过采样）或欠采样，以平衡各类别之间的样本量，避免类别不平衡对模型的影响。 使用加权损失函数来优化少数类别的预测性能。 尝试不同类型的模型（如支持向量机、逻辑回归等）并通过模型融合（例如投票机制）来进一步提升预测性能。 使用模型解释方法（如特征重要性、SHAP值）来进一步理解哪些特征对模型的预测起到了关键作用，从而进行针对性的优化。