本笔记本介绍了从数据清洗、模型训练到模型部署的一套完整流程,并且提供了一套基本的误差补偿模型。根据指令对本笔记本中的相应代码区域进行修改并执行,即可生成并且部署一套误差补偿服务。同学们需要根据实际的数据情况,对模型进行调优。
预处理
我们的误差补偿数据存放在adjustments.tsv中。
首先,我们查看adjustments.tsv的内容:
In [59]:
import numpy as np
import pandas as pd
raw_dataset = pd.read_csv('./adjustment.tsv',
sep='\t',
skipinitialspace=True)
np.set_printoptions(precision=3, suppress=True)
dataset = raw_dataset.copy()
dataset.head()
Out[59]:
特征0 |
特征1 |
特征2 |
特征3 |
特征4 |
特征5 |
特征6 |
特征7 |
特征8 |
特征9 |
... |
特征16 |
特征17 |
补偿0 |
补偿1 |
补偿2 |
补偿3 |
补偿4 |
补偿5 |
补偿6 |
补偿7 |
|
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 |
7.4 |
0.048 |
1.19 |
1.47 |
0.23 |
0.54 |
0.27 |
5.75 |
0.65 |
0.71 |
... |
0.07 |
0.62 |
1.23 |
0.88 |
0.73 |
0.19 |
1.67 |
0.36 |
1.58 |
1.62 |
1 |
3.7 |
NaN |
1.87 |
0.18 |
0.94 |
0.70 |
0.07 |
5.20 |
0.73 |
0.59 |
... |
0.91 |
0.89 |
0.99 |
1.11 |
0.13 |
0.18 |
1.33 |
0.86 |
1.22 |
1.30 |
2 |
1.2 |
0.046 |
1.97 |
1.17 |
0.67 |
0.89 |
0.60 |
2.10 |
0.97 |
0.14 |
... |
0.80 |
0.69 |
1.85 |
0.13 |
1.54 |
1.91 |
0.63 |
0.70 |
1.71 |
1.57 |
3 |
7.2 |
0.053 |
1.17 |
2.13 |
0.82 |
0.18 |
0.17 |
5.30 |
0.27 |
0.46 |
... |
0.37 |
0.37 |
1.72 |
0.58 |
1.03 |
1.77 |
0.86 |
1.65 |
1.95 |
1.37 |
4 |
1.8 |
0.021 |
1.89 |
0.42 |
0.20 |
0.92 |
0.80 |
1.60 |
0.20 |
0.70 |
... |
0.50 |
0.68 |
0.83 |
0.09 |
0.94 |
0.49 |
1.87 |
1.21 |
1.53 |
1.56 |
5 rows × 26 columns
可以看出,adjustments.tsv文件的前18列为特征值,这些值代表着真实世界中影响机床的环境因素,例如刀具磨