Termodinamik | Nisan-2022 | Sayı: 356

Çeviri gerçeklerden ayırt edilmesi güç olabilir. Çözüm sunucusunun deneyimini ve uzmanlığını değerlendirmek için bir yaklaşım geçmiş metriklerin örneklerinin talep edilmesi olabilir. Regresyon algoritmasının performansı aşağıdaki metriklerin kullanımı ile tesis edilir: • Ortalama mutlak hata veya MAE, tahmini değerler ile gerçek değerler arasındaki farkların mutlak toplamına eşittir ve tahminlerin hedeflenenden ne kadar uzakta olduğunun bir göstergesidir. Bu metrik hatanın büyüklüğü le ilgili bir gösterge iken algoritmanın yetersiz öğrenme mi yoksa aşırı öğrenme mi olduğu konusunda bir gösterge değildir. • Kareli ortalama hatası veya MSE, MAE’ye benzer ve tahminleme hatasının büyüklüğünün göstegesidir. • Kök ortalama kare hatası veya RMSE, MSE’nin karekökünü alarak hesaplanır ve birimleri çıktı değişkenin birimine geri dönüştürür. • R-kare metriği uyumun iyiliği konusunda bir göstergedir. R-kare genellikle 0 ve 100 veya 0 ve 1 aralığında gösterilir. Genellikle R-karenin değeri arttıkça, algoritmanın kullandığı modelin gerçek data ile uyumluluğunun daha iyi olduğu anlaşılır. Yukarıda açıklanan metrikler, aşağıdaki durumlar gerçekleştiğinde daha da kötüleşir: Yetersiz veri: Bir algoritmanın tahminlerini iyileştirmesi için veriye ihtiyaç duyar, hem de çok sayıda veriye. Ne kadar çok veri görürse, (yukarıda açıklanan) hatalar o kadar azalır. Örnek vermek gerekirse, ML bazlı bir kontrol algoritmasından geçerli tahminlemeler almaya başlamak için, Tablo 1’de açıklanan değişkenlerden en az 10 haftalık bir veriye ihtiyaç vardır. Bu, chiller santralinin gelecekteki çalışması ile ilgili karar vermek için ML bazlı kontrol algoritması kullanmak istendiğinde, chiller santralinin standart işlem sıralamasında çalışıyor olması gerektiğini gösterir. Aralık dışı veri: ML bazlı algoritmalardan, eğitildikleri veri aralığının dışındaki veriler hakkında tahminleme yapması istendiğinde düşük performanslı sonuçlar alınır. Tablo 1’deki verileri örnek olarak alalım: Pompa hızının en düşük değeri 33 hertz iken en yüksek değeri 58 hertz’dir. Eğer algoritma bu aralık dışında hız değerleri okur ise ve bu değerleri tahminleme yapmakta kullanırsa bu tahminlemeler kesinlikle yanlıştır. Bunun sebebi ML bazlı algoritmaların ekstrapolasyon yapma yeteneği olmamasıdır. Bu durumu telafi etmek için, bu aralık dışı verinin eğitim veri setine dahil edilmesi, algoritmanın yeniden eğitilmesi ve yukarıda bahsedilen metriklerin yeniden analiz edilmesi gereklidir. Verinin aralık boyunca çok seyrek dağılmış olması: Algoritmalar nispeten küçük aralıklarda ve o aralıklar içerisinde tekrar eden girdileri tercih ederler. Kayda değer miktarda eğitim verisi olsa bile, performans haritasındaki çeşitli oranlardaki eğitim verisinin yoğunluğu Şekil 4: Sorgulama frekansının düşük olduğu durumlar makina eğitim algoritmasında kullanılan veri sayısını etkileyebileceğini gösteren grafik. Bu grafikte, sorgulama tarafından kaçırılan veriler, yapay zeka algoritmalarının performansını negatif olarak etkileyecek zirve verilerdir. Şekil 5. BACnet cihazları arasındaki iletişim kablolamasının büyük bir çoğunluğunun Ethernet kablosu ile yapıldığı bir BACnet ağ mimarisi önerisi. Bu yaklaşım sorgulama oranlarındaki dikkate değer miktarda artışı mümkün kılar. TERMODİNAMİK • NİSAN 2022 75

RkJQdWJsaXNoZXIy OTEzMQ==