Scribd
Importer
26 vues2 pages

Adaptive Boosting

Le document présente un code R pour appliquer deux modèles de classification, Adaptive Boosting (AdaBoost) et un réseau de neurones artificiels (ANN), sur un ensemble de données de maintenance. Les données sont divisées en ensembles d'entraînement et de test, et les modèles sont entraînés pour prédire les pannes de machines en fonction de plusieurs variables. Les performances des modèles sont évaluées à l'aide de matrices de confusion et d'exactitude.

Transféré par

loicblue86
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd
26 vues2 pages

Adaptive Boosting

Le document présente un code R pour appliquer deux modèles de classification, Adaptive Boosting (AdaBoost) et un réseau de neurones artificiels (ANN), sur un ensemble de données de maintenance. Les données sont divisées en ensembles d'entraînement et de test, et les modèles sont entraînés pour prédire les pannes de machines en fonction de plusieurs variables. Les performances des modèles sont évaluées à l'aide de matrices de confusion et d'exactitude.

Transféré par

loicblue86
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd

# Adaptive Boosting

[Link]("ada")
library(caret)
[Link]("rpart")
library(rpart)
library(ada)
Maintenance_data <- read.csv2('C:/Users/louis/Documents/CSV/Maintenance_data.csv')
Maintenance_data$Type <- factor(Maintenance_data$Type)
Maintenance_data$Machine_failure <- factor(Maintenance_data$Machine_failure)

total_rows <- nrow(Maintenance_data)


train_indices <- sample(1:total_rows, size = 0.8 * total_rows)
training_data <- Maintenance_data[train_indices, ]
test_data <- Maintenance_data[-train_indices, ]
ada_model <- ada(Machine_failure ~ Type + Air_temperature + Process_temperature +
Rotational_speed + Torque + Tool_wear,data = training_data, iter = 50) # Vous
pouvez ajuster le nombre d'itérations
prediction_test_ada <- predict(ada_model, newdata = test_data)
table_mat_ada <- table(test_data$Machine_failure, prediction_test_ada)
print(table_mat_ada)
accuracy_Test_ada <- sum(diag(table_mat_ada)) / sum(table_mat_ada)
print(accuracy_Test_ab)

#ANN
#Pour ANN Charger les bibliothèques nécessaires
library(nnet)

# Lire les données


Maintenance_data<-read.csv2('C:/Users/louis/Documents/CSV/Maintenance_data.csv')

# Convertir les colonnes en facteurs


Maintenance_data$Type <- factor(Maintenance_data$Type)
Maintenance_data$Machine_failure <- factor(Maintenance_data$Machine_failure)

# Normaliser les variables numériques (sauf les facteurs)


Maintenance_data_scaled <- [Link](scale(Maintenance_data[,
c("Air_temperature", "Process_temperature", "Rotational_speed", "Torque",
"Tool_wear")]))

# Ajouter les colonnes de type et de machine_failure


Maintenance_data_scaled$Type <- Maintenance_data$Type
Maintenance_data_scaled$Machine_failure <- Maintenance_data$Machine_failure

# Diviser les données en ensembles d'entraînement et de test


# Pour la reproductibilité
total_rows <- nrow(Maintenance_data_scaled)
train_indices <- sample(1:total_rows, size = 0.8 * total_rows)
training_data <- Maintenance_data_scaled[train_indices, ]
test_data <- Maintenance_data_scaled[-train_indices, ]

# Entraîner le modèle ANN


ann_model <- nnet(Machine_failure ~ Type + Air_temperature + Process_temperature +
Rotational_speed + Torque + Tool_wear,
data = training_data,
size = 5, # Nombre de neurones dans la couche cachée
maxit = 100) # Nombre maximal d'itérations

# Faire des prédictions sur l'ensemble de test


prediction_test_ann <- predict(ann_model, newdata = test_data, type = "class")

# Calculer la matrice de confusion


table_mat_ann <- table(test_data$Machine_failure, prediction_test_ann)
print(table_mat_ann)

# Calculer l'exactitude
accuracy_Test_ann <- sum(diag(table_mat_ann)) / sum(table_mat_ann)
print(accuracy_Test_ann)

Vous aimerez peut-être aussi