企业官网建设流程全解析

网站开发团队 组建,wordpress 文章点赞功能,郑州全平台广告推广,手机版网页效果视频#xff1a;输电线路故障诊断#xff08;Python代码#xff0c;逻辑回归、决策树、随机森林、XGBoost和支持向量机五种不同方法诊断#xff09;_哔哩哔哩_bilibili 项目文件 code.py装载的是英文版本#xff0c;图上显示英文标签及坐标#xff0c;Chinese.py装载…效果视频输电线路故障诊断Python代码逻辑回归、决策树、随机森林、XGBoost和支持向量机五种不同方法诊断_哔哩哔哩_bilibili项目文件code.py装载的是英文版本图上显示英文标签及坐标Chinese.py装载的是中文版本图上显示中文标签等等以及每一行代码几乎都有中文注释。code.py和Chinese.py是一样的代码。1.数据仿真平台仿真模型分别获取单相接地故障、两相接地故障、两相间短路故障、三相接地故障、三相间短路故障和正常状态下的电流Ia,Ib,Ic大小和电压Ua,Ub和Uc大小。每种故障下获取1300行左右的数据将故障区分为具体的不同类型一共五种再算上正常的状态因此是六分类。这里随意举出每种类别的两个样本进行展示。GCBAIaIbIcVaVbVc1001-151.2918124-9.67745156385.800162260.400749853-0.132934945-0.2678149071001-336.1861826-76.2832619518.328896580.312731934-0.123633156-0.1890987791011-343.4870147104.56275133.7942853090.2720425010.011317575-0.2833600761011-339.1254001105.4293167-0.2672412250.277820540.021756839-0.299577378011019.38615173-785.553797768.7279081-0.210406869-0.00201120.212418069011018.47841651-783.8619173767.9410527-0.217651204-0.002604510.2202557140111506.5917463374.8825788-879.3449970.042029705-0.025636401-0.0163933050111495.1384715387.4159615-880.42530960.042107683-0.025103056-0.0170046271111-89.03263152-732.8168572821.9123732-0.0367594790.0052342190.031525261111-75.8022885-740.3563342816.2199695-0.036800630.0046859170.032114713000010.5461862679.38231464-93.21467968-0.5376443450.548591338-0.01094699300009.59094096580.11550744-92.99814299-0.5423905220.543819429-0.001428907数据表格开始位置数据表格截止位置2.代码流程导入所需的Python库包括NumPy、Pandas、Seaborn、Matplotlib等。设置Seaborn和Matplotlib的样式和主题包括字体、颜色、图形大小、边缘颜色等。从数据集中读取10行数据并对其进行样式设置以显示不同的背景颜色。使用df_class.info()检查数据集中列的数据类型。使用df_class.isnull().sum().sum()检查数据集中是否存在空值。使用df_class.shape获取数据集的形状。绘制关于Ground Fault的柱状图和饼图以及关于Line A、Line B、Line C中Fault的柱状图和饼图。合并不同列的Fault信息创建一个新的列Fault_Type。替换Fault_Type列中的值以便进行可视化。分析数据集的统计信息包括均值、标准差等。统计不同Fault_Type的计数。绘制Fault_Type计数的柱状图和饼图。绘制电流和电压的图形。绘制电压和电流的分布图包括直方图、KDE图和箱线图。选择没有故障的数据并绘制相应的电流和电压图。绘制没有故障数据的电流和电压的分布图。选择不同Fault Type的数据并绘制相应的电流和电压图。绘制不同Fault Type数据的电流和电压的分布图。将分类变量转换为数值变量使用LabelEncoder将Fault_Type列编码为数值。分离自变量和因变量。划分训练集和测试集。使用不同的机器学习模型包括逻辑回归、决策树、随机森林、XGBoost和支持向量机进行训练和预测。绘制混淆矩阵以评估模型性能。绘制决策树的树状图。创建模型性能汇总表包括训练准确率和模型准确率得分。使用随机森林和决策树模型进行预测并将实际值和预测值进行对比。3.效果随机森林方法决策树XGBoost预测支持向量机预测逻辑回归