Автомат машинка: 7 параметров, чем отличаются стиральная машинка автомат и полуавтомат

автор alexxlab

Содержание

Сколько кг весит стиральная машина автомат

Выбирая подходящую модель стиральной машинки, пользователи обращают внимание на разные факторы. Учитываются габариты, вместительность, набор функций и дополнительных опций. Но почему-то вес самого устройства не учитывается. Специалисты утверждают, что, покупая стиральный агрегат важно знать точный его вес. Для каких целей это необходимо? И как данная информация поможет выбрать качественную и долговечную стиральную машинку?

Стиральная машина

О весе

Далеко не каждый пользователь задумывается, сколько весит стиральная машина автомат. А ведь различные стиральные машины могут иметь массу от 30 кг до 100 кг. Но определить на глаз этот параметр нельзя. В данном случае большую роль играет материал, из которого изготовлен корпус устройства. Покупатели должны знать, что:

  • Корпус из нержавеющей стали гораздо тяжелее корпуса из полимера.
  • Основная масса стиральной машины приходится на балансиры, которые расположены симметрично по обеим сторонам конструкции. Они необходимы для поддержания баланса устройства в ходе работы.
  • Чем тяжелее устройство, тем меньше отмечается вибрация во время отжима на максимальных скоростях.

Индезит

Что лучше: тяжелая или легкая машинка?

Если в процессе отжима на наибольших скоростях стиральный агрегат трясется и прыгает по ванной комнате, это чревато отсоединением шлангов и провода. Разумеется, произвольное отсоединение может привести к поломке машинки. Чтобы этого не происходило производители утяжеляют конструкции с помощью противовесов.

Стиральная машина Samsung

Если вес данных элементов больше, чем масса мокрого отжимаемого белья, то устройство не будет вибрировать. Но, не всегда можно использовать утяжелители. Оказывается, для нормальной работы важен определённый вес машинки Самсунг 6 кг, который обеспечит длительную и беспроблемную эксплуатацию.

Если стиральная машинка-автомат весит мало, это отрицательно сказывается на ее эксплуатации:

  • Во-первых, такое устройство стоит гораздо дороже стандартных агрегатов.
  • Качество стирки оставляет желать лучшего.
  • Плохое качество отжима белья.
  • Загрузка рассчитана на небольшое количество вещей.
  • В процессе отжима автомат вибрирует и шумит.
  • Маловесные стиральные агрегаты быстро приходят в негодность ввиду изнашивания внутренних деталей.

Исходя из положительных и отрицательных моментов делаем вывод, что чем тяжелее стиральная машинка Самсунг 6 кг, тем она долговечнее.

Стиральная машина Samsung

От чего зависит масса

Сегодня в продаже имеется масса моделей стиральных машинок. Бытует мнение, что чем уже конструкция, тем меньше она весит. На самом деле это не так. Современные малогабаритные машинки-автомат по весу не уступают полноразмерным моделям. Ведь масса зависит не от внешних показателей. А от массы каждой детали, входящей в устройство. Поэтому, точно на глаз сказать, сколько весит стиральная машина Индезит 5 кг нельзя.

Более того, нередко в магазинах можно встретить несколько похожих внешне и по функциональности моделей, которые отличаются по массе. Удивляться этому факту не нужно. Один производитель, создавая различные модели стиральных автоматов, может варьировать наполняемость внутреннего устройства.

Стиральная машина Индезит

О весе популярных моделей

Масса современных стиральных машинок Bosch, может колебаться в пределах 30-100 кг. В среднем же этот показатель равен 50-70 кг. Точный вес, выбранной модели можно узнать из инструкции, которая прилагается производителем к каждому устройству. Пользователи утверждают, что оптимальным техническими данными обладают стиральные автоматы Индезит и LG. Вес данных устройств колеблется от 50 до 70 кг, что считается отличным вариантом для обеспечения функциональности.

Стиральная машина Бош

Так вес Indesit IWUC 4105 составляет 52 кг. Разные модели бренда LG весят от 56 кг до 69 кг. Данный показатель зависит от особенностей устройства. К примеру, агрегаты LG 5 кг и более, оснащены прямым приводом. Инженеры разместили на одному валу двигатель и барабан. Это позволило уменьшить вибрацию и шум агрегата, даже при условии работы на максимальных оборотах.

Стиральная машина LG

В заключении

Специалисты утверждают, что, если стиральная машина LG весит менее 50 кг, приобретать ее не стоит. Качественный стиральный агрегат должен весить не менее 50 и не более 70 кг. Если понравившаяся модель Bosch 6 кг, Indesit IWUC 4105, LG находится в пределах, указанной весовой категории, это говорит о высоком качестве, используемых запчастей. Это в свою очередь указывает на длительный срок эксплуатации и беспроблемное пользование на протяжении долгого времени.

сколько кг в машинках разных моделей и фирм

Выбор новой стиральной машины – задача непростая, ведь от многообразия представленных на рынке бытовой техники вариантов просто голова идет кругом. Все модели различаются по десяткам параметров, разобраться в которых неподготовленному человеку очень нелегко. Нужно отделить важные параметры от менее существенных, изучить такие понятия, как класс стирки или класс отжима и учесть множество других деталей.

Помимо основных критериев, таких как тип загрузки или габариты, приходится учитывать и менее важные факторы. Например, вес стиральной машины – это не тот критерий, на который покупатели обращают внимание в первую очередь. Однако в некоторых случаях он становится одним из ключевых критериев выбора (например, если семья часто переезжает с места на место). В этой статье мы расскажем вам о том, какое значение имеет вес стиральной машины и о том, какие модели более предпочтительны – легкие или тяжелые.

От чего зависит вес?

Разница в весе между стиральными машинками разных моделей может составлять десятки килограмм. Массу стиралки определяют несколько факторов, среди которых материал корпуса, объем бака, тип установки, а также наличие дополнительных функций, требующих дополнительного оборудования (например, сушка белья).

Специалисты говорят о том, что на вес стиральной машины во многом влияют противовесы, которые нужны для правильной балансировки барабана. Масса этих элементов может быть разной, в зависимости от производителя – отсюда и проистекает разница в весе между одинаковыми по габаритам моделями.

Легкую или тяжелую лучше выбрать?

При выборе стиральной машинки этим вопросом озадачивается далеко не каждый покупатель – для большинства вес агрегата не имеет определяющего значения. Однако если вы по каким-либо причинам не входите в их число, данная информация может оказаться для вас полезной.

Считается, что легкие стиральные машины обладают меньшей устойчивостью. Особенно заметно это становится при отжиме, когда прибор вдруг начинает сильно вибрировать и подпрыгивать.

Поэтому многие отдают предпочтение более тяжелым моделям – чем машинка тяжелее, тем она устойчивее.

Но очень тяжелые агрегаты становятся настоящей проблемой, когда стиралку потребуется перевезти на новую квартиру или в сервисный центр. Поэтому лучше остановиться на среднем показателе – подробнее о нем читайте ниже.

Вес стандартной стиральной машинки

Стандартный вес стиральной машины – это трудноопределимое понятие, так как он зависит от множества самых разных факторов, о которых мы уже говорили в предыдущих разделах. Самые легкие модели, которые продаются сегодня в магазинах, весят меньше 30 кг, а самые тяжелые – больше 100 кг.

Однако очень легких и очень тяжелых стиральных машинок на рынке все же меньшинство.

Основная масса моделей имеет вес в пределах от 50 до 80 кг. Именно такой показатель можно принять за средний.

Если вес стиралки находится в диапазоне от 50 до 80 кг, значит, она обладает хорошей устойчивостью и, кроме того, вполне транспортабельна.

В видео, расположенном ниже, можно посмотреть средний вес некоторых популярных моделей стиральных машин фирмы LG.

Советы по выбору

  • Узкие стиральные машины пользуются большой популярностью у обладателей небольших квартир. Но у таких стиралок есть один недостаток, о котором нужно знать: маленькая площадь опоры, создающая сильные вибрации при отжиме. Поэтому производители часто дополнительно утяжеляют узкие модели, делая их более устойчивыми.
  • Выбирая стиральную машинку, обращайте внимание на такой фактор, как наличие автобалансировки. Это относительно новая функция, которой производители оснащают последние модели стиралок. Она контролирует скорость вращения барабана, что позволяет избежать появления вибраций и усиления шума.

Стиральная машина выбивает автомат (пробки)

Если при включении стиральной машины или во время ее работы прекратилась стирка, потухли индикаторы и во всей квартире погас свет, вероятно, выбило автомат.

Если машинка новая и была включена впервые, скорее всего дело в проблемной электропроводке. Причина может крыться в использовании низкокачественных устройств защиты, либо в применении УЗО неправильной емкости. Выполнять самостоятельную замену либо установку новых УЗО опасно. Неквалифицированное вмешательство в работу электрической сети в квартире может привести к возгоранию или перегреву электропроводки.

Автомат может выбивать и в том случае, когда кроме стиральной машинки было подключено множество других электроприборов, и электросеть не выдержала оказываемую на нее нагрузку.

Новая машина может выбивать автомат также и вследствие заводского брака. В таком случае необходимо обратиться в сервисный центр для гарантийного ремонта либо замены неисправной машины. Если вам потребуется ремонт стиральной машины в Саратове, то обратитесь в нашу фирму. Мастера компании выполнят его максимально быстро и качественно.

Диагностика стиральной машины

Автомат срабатывает в том случае, если в цепи проводки стиральной машины наблюдается короткое замыкание, которое сопровождается выделением тепла в большом количестве. Проблемное место можно попробовать определить при помощи визуального осмотра – характерным признаком короткого замыкания является горелый запах резины или пластмассы и оплавленные либо потемневшие участки проводки.

Неисправность розетки

Перед началом диагностики машинку нужно обесточить. В первую очередь необходимо проверить исправность розетки, в которую была включена стиральная машина. Для этого в розетку включается любой исправный бытовой электроприбор мощностью около 2000–2500 Ватт.

Если при подключении продолжает выбивать УЗО, необходимо вызвать специалиста для проверки электрической сети в доме. Причиной такого явления могут быть расшатанные контакты.

Замыкание сетевого провода

Если с розеткой все в порядке и другие приборы при включении в нее нормально работают, значит, причина поломки кроется в самой стиральной машине. Начинать диагностику необходимо с сетевого провода. Во время эксплуатации он может подвергаться различным механическим нагрузкам (натяжение, перехлёсты, пережим), что приводит к его повреждению. Сетевой провод может замкнуть также вследствие продолжительного плохого контакта розетки и вилки.

Для проверки целостности шнура необходимо тестером прозвонить все три провода, из которых он состоит.

Для диагностики и замены сетевого шнура необходимо

Обесточить машинку и перекрыть вентиль подачи воды. Для того чтобы получить доступ к сетевому шнуру, необходимо из машинки слить всю воду при помощи аварийного сливного шланга. Укладывать машинку набок при этом категорически запрещено. После этого нужно снять днище, открутив предварительно винты, расположенные по его периметру. Сетевой провод подсоединяется с одной стороны к ФПС, с другой – к корпусу на выходе из машинки. Для того чтобы отсоединить неисправный шнур, необходимо открутить винт, при помощи которого крепится сетевой фильтр. Деталь необходимо сдвинуть в сторону и отделить от корпуса. После этого необходимо с внутренней стороны сжать защелки пластикового стопора и выдавить его наружу. Теперь можно будет сместить шнур внутрь и в сторону таким образом, чтобы был получен доступ к фильтру. От него следует отделить все контакты провода питания, причем предварительно желательно пометить клеммы. Осторожными движениями провод можно вытянуть из корпуса машинки.

Новый шнур необходимо устанавливать, выполняя перечисленные выше действия в обратном порядке.

Выход из строя сетевого фильтра

Если сетевой шнур исправен, необходимо провести диагностику сетевого фильтра. Эта деталь используется в стиральных машинах для стабилизации напряжения. Из-за частых скачков напряжения фильтр может выйти из строя и приводить к тому, что при включении стиральной машины будет выбивать автомат.

При замыкании сетевого фильтра на контактах остаются характерные оплавленные следы на сетевых контактах. Для проверки его исправности необходимо прозвонить проводку на его входах и выходах. Если фильтр не прозванивается, это говорит о его неисправности. Такая деталь нуждается в замене.

Сетевой фильтр выполнен в виде пластмассового бочонка серого цвета. Замену сетевого фильтра производят при отсоединенном шнуре питания. В некоторых, например, стиральных машинах Индезит  используется шнур питания со встроенным сетевым фильтром, в таком случае необходимо заменить сразу две детали – и шнур и ФПС.

Неисправность кнопок панели управления

В том случае, если сетевой фильтр работает исправно, поломку следует искать в кнопке включения либо панели управления. Со временем у кнопок могут изнашиваться и окисляться контакты, что приводит к подгоранию и короткому замыканию. При помощи тестера необходимо проверить провода, ведущие к кнопкам. Если в выключенном состоянии кнопка замыкает, значит, она неисправна и нуждается в замене.

Чаще остальных используется кнопка включения, поэтому ее контакты могут прийти в негодность быстрее остальных. Проверку кнопок на панели управления стиральной машины необходимо начинать именно с нее.

Заменить поврежденную кнопку можно своими руками. Для этого необходимо отсоединить панель управления и провода, идущие к ней. После этого осторожно извлекается неисправная кнопка и на ее место устанавливается новая.

Поломка ТЭНа

Следующей деталью, нуждающейся в проверке, является ТЭН. Одной из причин того, что при работе стиральной машины выбивает пробки, является его поломка. Основным признаком неисправности ТЭНа является то, что стиральная машина не греет воду во время стирки.

Нагреватель постоянно контактирует с моющим раствором и водой, что может со временем привести к его разъеданию, способному вызвать короткое замыкание. Нагреватель может выйти из строя также из-за наслоения на его поверхности примесей и накипи. Наслоения приводят к ухудшению теплопередачи в устройстве, его перегреву и поломке.

Для того чтобы определить исправность ТЭНа, необходимо провести его визуальный осмотр и прозвонить при помощи тестера.

Получить доступ к нагревательному элементу можно, сняв заднюю крышку. В большинстве стиральных машин ТЭН располагается в нижней части бака. Если нагреватель расположен спереди, нужно снять панель управления и переднюю крышку.

В первую очередь ТЭН нужно проверить на обрыв. Для этого отсоединяются питающие провода и между ними проводится измерение сопротивления при помощи мультиметра. Предел прибора необходимо установить на значение «200». Если мультиметр показывает 20–50 Ом, значит, в нагревателе нет обрыва. В случае обнаружения обрыва, ТЭН необходимо заменить.

Для определения замыкания на корпус необходимо замерить сопротивление поочередно между каждым из выводов и болтом заземления. Если результатом проверки будут даже минимальные значения мультиметра, значит, происходит замыкание на корпус, что приводит к срабатыванию автомата.

Для замены неисправного нагревателя необходимо открутить на 5-6 оборотов гайку, расположенную на стягивающем болте заземления и утопить его внутрь. Воспользовавшись отверткой ТЭН необходимо поддеть и осторожно извлечь. Новый нагревательный элемент устанавливается в обратном порядке. Не стоит сильно закручивать гайку на стягивающем болте, так как это может выдавить нагреватель из бака.

Замыкание на двигателе

При длительной эксплуатации стиральной машины от старости может замкнуть проводка двигателя. К замыканию также может привести и попадание внутрь корпуса или на его разъемы воды при протечке шланга или бака стиральной машины. Такая неисправность может возникнуть в любой момент эксплуатации стиральной машины. Для установления исправности двигателя необходимо поочередно прозвонить все контакты и корпус на предмет утечки тока. В случае обнаружения неисправности, двигатель нуждается в ремонте или замене. Обязательно необходимо установить место утечки воды и устранить эту неисправность.

Автомат может выбивать вследствие износа щеток двигателя. Ламели якоря мотора могут замкнуть на пришедшие в негодность щетки и выбить УЗО, автомат либо пробки. Для устранения неисправности достаточно заменить щетки.

Для замены неисправного двигателя необходимо снять заднюю стенку и открутить винты, при помощи которых он крепится к корпусу стиральной машины и отключить проводку, идущую к мотору. Для установки нового двигателя необходимо повторить выполнение действий в обратном порядке.

Если в целом двигатель исправен, но пришли в негодность щетки, их замену необходимо проводить при снятом и отключенном моторе. Демонтировать старые щетки можно, если снять контакт с проводов их клейм. Важно запомнить расположение сточенного угла щеток – новые должны быть установлены в аналогичном положении. После того как щетки будут установлены, нужно вручную прокрутить шкив двигателя и послушать как он работает. Если щетки установлены правильно, двигатель не должен сильно шуметь.

Проблемы с проводкой

Выбивать пробки может из-за перетертой проводки внутри стиральной машины. Чаще всего неисправность электропроводки наблюдается в узких моделях стиральных машин, в конструкции которых предусматривается близкое расположение проводов к корпусу машины. Из-за своеобразного крепления (при помощи пружин и амортизатора) бак постоянно находится в движении, что приводит к постепенному повреждению проводки.

Определить место повреждения проводки можно при помощи визуального осмотра. О наличии короткого замыкания свидетельствуют тёмные следы нагара и оплавленная изоляция. Поврежденный участок провода необходимо спаять и тщательно заизолировать. Если жгуты проводов ослаблены, их нужно подтянуть в штатных местах крепления.

Замыкание на модуле управления

Если проверка всех остальных деталей стиральной машины показала их полную исправность, вероятно, выбивает автоматы из-за замыкания на модуле управления. Контакты на управляющей плате могут окислиться вследствие высокой влажности в помещении.  Без навыков работы с электроникой довольно сложно проверить исправность этой детали и выполнить ремонт. Особенно сложен ремонт стиральных машин Самсунг и Lg, так как у машин данной марки плата управления залита компаундом.

Образование конденсата на электрических элементах

В редких случаях выбивает автомат из-за того, что на электрических элементах внутри стиральной машины образовалось большое количество конденсата. Такое бывает при резких перепадах температуры внутри помещения либо в том случае, если машинку переносили из холодного помещения или улицы в теплую квартиру. Кроме этого, в большом количестве конденсат может образовываться в том случае, если машинка работает во влажной ванной комнате в режиме сушки.

В таком случае необходимо оставить машинку для «акклиматизации» в хорошо проветриваемом помещении на несколько дней.

Automatic Machine — обзор

1 Введение

Хотя машинное обучение и глубокое обучение стали бесценными в таких областях, как распознавание изображений и автоматический машинный перевод, большинство традиционных инженерных дисциплин все еще стремятся интегрировать эти мощные инструменты в свои процедуры. Такие промышленные приложения часто связаны со сложными системами с пространством входных признаков большой размерности. Сложные структуры, управляемые данными, предлагают привлекательное решение, особенно когда полные модели слишком сложны или неизвестны.Хотя достижения в области сенсорных технологий позволяют собирать огромные объемы данных, результирующие наборы данных подвержены низкой изменчивости, поскольку промышленные процессы часто поддерживаются рядом с несколькими четко определенными рабочими состояниями. С другой стороны, экспериментальные исследования исследуют большие области входных характеристик, но часто ограничены из-за высоких затрат. Эти две настройки приводят к созданию либо больших наборов данных с низкой изменчивостью, либо небольших наборов данных с высокой изменчивостью, соответственно. Однако точные модели, основанные на данных, требуют больших наборов данных с высокой изменчивостью, что делает неизбежным рассмотрение неопределенности модели.Было показано, что модели Gradient Boosted Tree (GBT) хорошо работают в реальных промышленных условиях (Friedman, 2001). Более того, модели GBT можно легко встроить в задачи принятия решений, закодировав их как смешанную целочисленную линейную программу (MILP) (Mišic, 2017).

Представленный здесь алгоритм частично основан на работе Mistry et al. (2018) и Mišic (2017), которые исследуют аналогичную задачу оптимизации. В целом, использование моделей, управляемых данными, в качестве суррогатных моделей в задачах оптимизации пользуется все большей популярностью (Bhosekar and Ierapetritou, 2018), e.g., алгебраические уравнения (Boukouvala and Floudas, 2017; Wilson and Sahinidis, 2017), искусственные нейронные сети (Henao and Maravelias, 2011; Schweidtmann, Mitsos, 2019) и гауссовские процессы (Palmer and Realff, 2002). Мы предлагаем алгоритм, который эффективно оптимизирует предварительно обученные крупномасштабные модели деревьев и учитывает неопределенность модели для произвольно распределенных наборов данных. Алгоритм выводит математически проверенные глобальные оптимальные решения, что имеет решающее значение во многих промышленных приложениях, например.g., производственные предприятия с высокой производительностью и критически важными для безопасности настройками.

Philips 3200 Series Полностью автоматическая эспрессо-машина с LatteGo, черный, EP3241 / 54

5.0 из 5 звезд Отличные результаты при минимальных усилиях.
Автор Michael B, 19 января 2020 г.

Позвольте мне начать с самого главного для меня торгового аргумента — я не жаворонок, и простое нажатие нескольких кнопок, когда покупаю Starbucks, как кофе дома, делает его стоящим для меня.Ниже приведены некоторые вещи, которые, как я заметил, могут оказаться полезными, если вы рассматриваете машину:

ПЕРЕД ПОКУПКОЙ
— Убедитесь, что вы получили модель с автоматическим вспенивателем молока. Он отлично работает и стоит дополнительных долларов. Идея машины состоит в том, чтобы быть полностью автоматической, поэтому отсутствие этого для меня не дает мне возможности достичь цели.
— Машина очень громкая. Это не для утренних людей, у которых есть кухня рядом с их спальнями, и семьи, которая легко спит. У меня новорожденный, и для нее это как «белый шум», но имейте в виду — машина ЕСТЬ громкая.
— Машина НЕ ОБЯЗАНА использовать с цельным кофе, если вы этого не хотите, но для меня это была одна из причин, по которой мы ее купили. Обязательно ищите целые бобы и ищите дату обжарки — чем ближе к дате покупки, тем лучше будет вкус. Если не то, то как и все остальное — больше срок годности, тем лучше.
— Машина не вмещает высокие кофейные кружки.
— Автоматический вспениватель — не просто сливайте неиспользованное молоко, вы можете легко снять его с машины и положить в холодильник для следующего использования!

ПОЗИТИВЫ
— Поскольку я упомянул Starbucks выше, возьмите сиропы — НА ВКУС ПОДОБНЕТ СТЕРБАКС.Я получил свои от Amazon, и они являются отличным дополнением к набору, и определенно хитом, когда кто-то приходит с
. Поскольку мы находимся в теме Starbucks, деньги, которые вы платите за машину, должны окупиться, если вы большой пьющий кофе / покупатель — если вы не делаете это по социальным причинам, не выходите на улицу и не покупаете кофе, а готовите его дома, вам придется заплатить машине примерно за 130 приготовленных кофе — если я вам нравлюсь, это примерно несколько месяцев (Если вы пытаетесь убедить себя, что это достойная покупка, надеюсь, это поможет! Это действительно помогло мне!)
— Я уже упоминал, что это дает отличные результаты?
— Выглядит профессионально и действительно хорошо закончен, без каких-либо изъянов.Он пластиковый, но качественно сделанный.
— Его легко чистить, он сообщает вам, когда основание заполнено водой (от самоочистки) и когда нужно слить использованный кофе, и это здорово — вам не нужно чистить его после каждого использования

НЕ НРАВИТСЯ
Мне уже упомянутая выше громкость — единственная, которую я нашел. Помимо этого варианта, я бы хотел, чтобы у этой машины был утренний таймер. В то же время машина очищает себя перед первым кофе, чтобы максимизировать свежесть, поэтому я думаю, что упущение этого можно простить.

Можете ли вы законно владеть пулеметом?

Некоторым энтузиастам оружия может быть интересно, могут ли они легально добавить пулемет в свою коллекцию.Хотя пулеметы строго регулируются и, как правило, их трудно получить, вы можете на законных основаниях владеть этим типом огнестрельного оружия, если отвечаете определенным требованиям. Фактически, многие любители рассматривают пулемет как лучшее дополнение к своим хранилищам из-за затрат и трудностей, связанных с его приобретением.

К чему относится пулемет?

Согласно федеральному закону, пулемет определяется как огнестрельное оружие, которое дает более одного выстрела при каждом нажатии на спусковой крючок.По сути, если ваш палец нажимает на спусковой крючок и выпущено несколько пуль, это огнестрельное оружие классифицируется как полностью автоматический пулемет. Некоторые примеры пулеметов включают следующие модели:

Напротив, полуавтоматическое огнестрельное оружие будет стрелять только одним выстрелом при каждом отдельном нажатии на спусковой крючок, а затем автоматически перезаряжает патрон в патроннике, чтобы оружие снова было готово к стрельбе. Полуавтоматическое оружие гораздо более распространено, чем полностью автоматическое огнестрельное оружие, из-за менее подробных правил и гораздо более низкой цены.

Ограничения на владение пулеметом

У частных лиц есть несколько аспектов легального владения пулеметом. Во-первых, вы имеете право владеть полностью автоматическим пулеметом (или любым другим оружием) только в том случае, если вы не являетесь «запрещенным лицом» по закону. Некоторые из вещей, которые классифицируют вас как запрещенного человека, включают следующее:

  • Лица, осужденные за преступление, наказуемое лишением свободы на срок более одного года
  • Преступники
  • Беглецы
  • Незаконные потребители контролируемых веществ
  • Люди с подтвержденным психическим дефектом
  • Люди, ранее помещенные в психиатрическую лечебницу
  • Бывшие военнослужащие, досрочно уволенные с работы
  • Незаконные иностранцы
  • Те, кто отреклись от своего U.S. гражданство

Еще одно ограничение является результатом Закона о защите владельцев огнестрельного оружия (FOPA), принятого в 1986 году. Он запрещает владение новыми пулеметами (произведенными после 1986 года) гражданскими лицами. Если автомат не был зарегистрирован на момент принятия закона, он не может находиться в законной собственности частного лица ни по какой причине.

Кроме того, вы должны соблюдать законы отдельных штатов, которые могут запрещать определенные характеристики огнестрельного оружия. Например, вы не можете законно владеть, производить или продавать пулемет в Калифорнии, Иллинойсе или Нью-Джерси.

Подводя итог, вы не можете быть запрещенным лицом, пулемет должен быть произведен и зарегистрирован до 1986 года, и владение пулеметом должно быть законным в соответствии с законами вашего штата. Однако есть исключения. Например, у некоторых государственных служащих, военных и полицейских могут быть свои собственные правила владения пулеметом.

Требования к регистрации

В соответствии с Национальным законом об огнестрельном оружии (NFA) 1934 года пулеметы относятся к особой категории огнестрельного оружия.Это означает, что они должны быть зарегистрированы в правительстве от одного владельца к другому, чтобы их можно было отслеживать. Некоторые из огнестрельного оружия и связанного с ним оборудования NFA, подпадающего под эту особую категорию, включают:

  • Глушители
  • Короткоствольные винтовки
  • Пистолеты для трости и ручные пистолеты
  • Короткоствольное ружье
  • Пулеметы полностью автоматические

Чтобы легально владеть пулеметом, вы сначала должны подать заявление на получение разрешения от федерального правительства.После покупки оружия вы должны заполнить анкету ATF Form 4 и дождаться одобрения, прежде чем вступать в владение огнестрельным оружием. ФБР проводит тщательную проверку биографических данных с использованием отпечатков пальцев и фотографии, необходимой для вашего заявления, рассмотрение которой может занять от 9 до 12 месяцев. Пистолет должен оставаться во владении предыдущего владельца до завершения процесса.

Кроме того, вам нужно будет заплатить 200 долларов «налоговый штамп NFA» за каждую сделку с оружием. В случае одобрения вы получите по почте свои документы, которые включают в себя разрешение на имя законного владельца огнестрельного оружия.Только тогда вы сможете забрать автомат домой и законно владеть им.

Цена на пулеметы

Как вы понимаете, запрет на покупку новых моделей пулеметов, выпущенных после 1986 года, означал, что предложение становилось все более и более ограниченным, а спрос продолжал расти. Это привело к завышенным ценам, которые вы видите сегодня. Согласно FOPA, пулеметы, уже находившиеся у гражданских лиц в 1986 году, могут быть переданы новым владельцам, но никакие дополнительные пулеметы не могут быть добавлены к пулу имеющегося огнестрельного оружия.

Хотите верьте, хотите нет, но сегодня цена пулемета может превышать 20 000 долларов и, как ожидается, будет расти с каждым годом. Некоторые из более эксклюзивных моделей даже дороже, их средняя цена колеблется от 30 000 до 50 000 долларов! Кроме того, вам придется заплатить за боеприпасы, а большинство пулеметов выдерживают от 500 до 1000 выстрелов в минуту. Это может сделать стоимость владения одним из них непрактичной для многих людей.

Стрельба из пулемета, не владея им

Для тех, кто надеется стрелять из полностью автоматического пулемета и не имеет средств для его приобретения, есть другие способы получить этот опыт.Например, в хранилищах некоторых тиров есть пулеметы, и люди могут стрелять из них в безопасной и контролируемой среде.

В The Range 702 в Лас-Вегасе у нас есть несколько пулеметов в нашем хранилище, которые вы можете выбрать для стрельбы индивидуально или как часть пакета опыта стрельбы. Некоторые из наших самых популярных вариантов стрельбы — это пакеты Triple Threat, Zombie Hunt и Adrenaline Rush, которые включают в себя острые ощущения от стрельбы из пулемета. Загляните в наш оружейный склад, чтобы узнать больше о наших AK-47, MP5, M4, SCAR, RPD, Thompson и многом другом!

Полуавтоматические машины

и полностью автоматические машины — Национальный регион Пьемонта

Полуавтоматические и полностью автоматические машины

Один из первых вопросов, который задают как внутренние торговые представители, так и внешние конечные пользователи, — когда мне следует автоматизировать?

Ответ состоит из нескольких факторов, включая, помимо прочего:

  • Тип оборудования, в котором заказчик нуждается или думает, что он ему нужен
  • Повышенная эффективность — получение большего за аналогичный или меньший срок
  • Экономия труда — попытки сделать больше с меньшими затратами
  • Оптимальная экономия материалов — максимальное использование элементов, которые вносят свой вклад доставить продукт за дверь, но прибыть в конечный пункт назначения в таком же состоянии, в каком он оставил
  • Безопасность / эргономика — снижение / устранение травм от повторяющихся движений вместе с общими проблемами безопасности, связанными с автоматизацией
  • Бюджет — сколько они хотят потратите или должны потратить для достижения необходимого результата или окупаемости инвестиций (ROI), чтобы оправдать упакованную стоимость (обратите внимание, я не назвал цену машины)

В зависимости от того, как вы хотите автоматизировать, (термоусадочные системы, упаковка оборудование, упаковочные машины и машины для запечатывания / формования ящиков) каждую группу машин можно разделить на 2 группы — полуавтоматические и полностью автоматические.

ПОЛУАВТОМАТИЧЕСКИЙ

Как правило, полуавтоматическое оборудование включает оператора, запускающего процесс и заканчивающего машину. Полностью автоматическая система запускает процесс и завершает его с минимальной помощью оператора. Например, на очень простом полуавтоматическом обмотчике стрейч водитель вилочного погрузчика помещает поддон с продуктом на поворотный стол, прикрепляет конец пленки к поддону и нажимает кнопку, чтобы начать обертывание. После завершения водитель погрузчика разрезает пленку.Наконец, водитель вилочного погрузчика поднимет поддон и переместит его.

ПОЛНОСТЬЮ АВТОМАТИЧЕСКИЙ

Используя этот аналогичный пример в полностью автоматической системе, поддон с продуктом помещается на приводной роликовый конвейер, который либо только что выгружает поддон на этот конвейер (например, паллетоукладчик), либо для максимальной производительности водитель вилочного погрузчика загружает подающий конвейер с поддоном (-ами). Поддоны по очереди будут перемещаться в зону упаковки и с помощью датчиков начнут процесс упаковки.После завершения пленка автоматически разрезается, и поддон выгружается на разгрузочный конвейер, ожидая, пока водитель вилочного погрузчика заберет поддон. В этом сценарии у водителя вилочного погрузчика есть время, чтобы получить другие поддоны, вместо того, чтобы ждать процесса упаковки в нашем полуавтоматическом примере.

Кто ты? PNC обладает опытом и знаниями, чтобы помочь вам определить, готова ли ваша организация к переходу на полуавтоматическое или полностью автоматическое приложение, и когда именно.

Купить полуавтоматическую стиральную машину в Интернете по лучшей цене

Получите чистую, свежую и стерильную одежду, соответствующую стандарту химчистки, прямо у себя дома с помощью линейки полуавтоматических стиральных машин LG.Полуавтоматические стиральные машины LG могут похвастаться множеством замечательных функций, которые упрощают уход за вашей одеждой благодаря безопасной и щадящей программе стирки 3 + 1 и специальному сборщику ворса, который удаляет волокна при каждой стирке, обеспечивая длительный срок службы. .

Характеристики лучшей полуавтоматической стиральной машины LG

Rat Away Technology

LG наилучшим образом использует технологии в своей новейшей линейке полуавтоматических стиральных машин с технологией Rat Away. Стиральные машины LG имеют прочную пластиковую основу толщиной 3 мм с химическим средством от крыс, которое снижает любой вред, нанесенный вашей стиральной машине, тем самым повышая долговечность и производительность, чтобы дать вам лучшее в своем классе.

Система Wind Jet Dry

Сушка Wind Jet Снижает остаточную влагу на белье и внутри стиральной машины за счет вращения барабана отжима на высоких оборотах, воздух поступает в бак и циркулирует внутри, удаляя воду.
Циркуляция воздуха через вентиляционные отверстия быстро сушит одежду.

Программа стирки 3

В машине есть 3 различных программы стирки (Нежная, Нормальная, Сильная), обеспечивающие безопасную и индивидуальную стирку для каждого типа ткани.

Сборщик ворса

Фильтр для ворса собирает ворсинки, выходящие во время стирки одежды.Таким образом, ткань не застревает в трубе, что улучшает качество стирки.

Очиститель воротника

Лучшая полуавтоматическая стиральная машина оснащена уникальным скребком для воротников, который помогает очистить манжеты и воротники, экономя ваше время и усилия.

Роликоструйный пульсатор

Ролики вызывают дополнительное трение с одежды, удаляя пыль и клещей. Это приводит к более качественной стирке.

Автоматический перезапуск

Функция автоматического перезапуска позволяет машине перезапустить процесс стирки с того же времени после возобновления подачи электроэнергии после отключения электроэнергии.

Замачивание

Благодаря уникальному процессу замачивания одежда замачивается в концентрированном растворе моющего средства, помогая удалить твердые частицы грязи.

Ознакомьтесь с ассортиментом всех полуавтоматических стиральных машин, которые предлагает LG. Цена на полуавтоматическую стиральную машину может варьироваться в зависимости от размера и дизайна.

Автоматическая и автоматическая автомойка высокого давления предлагает вдохновляющие впечатления от вождения

О продуктах и ​​поставщиках:
 Мытье вашего автомобиля больше не является суетливым и трудоемким процессом, благодаря эффективному, автоматизированному и мощному. автоматические автомойки  машин на Alibaba.com. Это блестящее и надежное качество. Автоматическая автомойка   идеально подходит для точной мойки всех типов транспортных средств и обеспечивает стабильную производительность. Вы можете получить различные типы файлов.  автоматическая автомойка , которую можно использовать в жилых или промышленных цехах. Покупайте их у самых проверенных поставщиков на сайте. 
 Эти прочные и оптимально работающие. Автоматическая автомойка   изготовлена ​​из высококачественных и прочных материалов, таких как алюминий, сталь, медь и пластик, что обеспечивает постоянную долговечность.Эти. Автоматическая автомойка   - это холодные моечные машины высокого давления, которые работают с цифровыми приводными двигателями, асинхронными двигателями для более высокой скорости и прецизионной очисткой всех частей автомобиля. Шланги, прикрепленные к ним, эффективны. Автоматическая автомойка   очень мощная и сконструирована таким образом, что подходит ко всем частям автомобиля. Трубопроводы высокого давления этих изделий легко убираются и очень удобны в использовании. 
 
 Вы можете выполнять поиск из множества различных. автоматическая автомойка , которые доступны в различных цветах, размерах, дизайне и грузоподъемности в зависимости от ваших требований, на Alibaba.com. У этих продуктов есть их промышленные варианты.  автоматическая автомойка  в комплекте с площадками, куда нужно поставить автомобиль и отправить его на мойку. Форсунки этих. Автоматическая автомойка   универсальна и доступна под разными углами, что упрощает очистку. 
 
 Алибаба.com имеет разнообразный диапазон.  автоматическая автомойка  варианты, которые могут соответствовать вашим требованиям и в то же время соответствовать вашему бюджету. Эти продукты доступны как OEM-заказы и доступны в индивидуальной упаковке. Это ISO, CE, EURO3, ETL, PAHS и многие другие для надежности.

Автоматическое машинное обучение — документация h3O 3.34.0.1

В последние годы спрос на экспертов по машинному обучению превысил предложение, несмотря на рост числа людей, работающих в этой области.Чтобы восполнить этот пробел, были достигнуты большие успехи в разработке удобного программного обеспечения для машинного обучения, которое могут использовать неспециалисты. Первые шаги к упрощению машинного обучения включали разработку простых унифицированных интерфейсов для различных алгоритмов машинного обучения (например, h3O).

Несмотря на то, что h3O упростил неспециалистам возможность экспериментировать с машинным обучением, для создания высокопроизводительных моделей машинного обучения все еще требуется немало знаний и опыта в области науки о данных.В частности, глубокие нейронные сети, как известно, сложно правильно настроить неспециалисту. Чтобы программное обеспечение машинного обучения было действительно доступным для неспециалистов, мы разработали простой в использовании интерфейс, который автоматизирует процесс обучения большого количества моделей-кандидатов. AutoML h3O также может быть полезным инструментом для опытных пользователей, предоставляя простую функцию-оболочку, которая выполняет большое количество задач, связанных с моделированием, которые обычно требуют большого количества строк кода, и высвобождая их время, чтобы сосредоточиться на других аспектах задачи конвейера обработки данных, такие как предварительная обработка данных, разработка функций и развертывание моделей.

AutoML

h3O можно использовать для автоматизации рабочего процесса машинного обучения, который включает автоматическое обучение и настройку многих моделей в пределах указанного пользователем срока.

h3O предлагает ряд методов объяснения модели, которые применимы как к объектам AutoML (группам моделей), так и к отдельным моделям (например, модель лидера). Пояснения могут генерироваться автоматически с помощью одного вызова функции, обеспечивая простой интерфейс для изучения и объяснения моделей AutoML.

Интерфейс AutoML

Интерфейс h3O AutoML спроектирован так, чтобы иметь как можно меньше параметров, поэтому все, что нужно сделать пользователю, — это указать на свой набор данных, идентифицировать столбец ответа и, при желании, указать временное ограничение или ограничение на общее количество обученных моделей.

В API R и Python AutoML использует те же аргументы, связанные с данными, x , y , training_frame , validation_frame , как и другие алгоритмы h3O. В большинстве случаев все, что вам нужно сделать, это указать аргументы данных. Затем вы можете настроить значения для max_runtime_secs и / или max_models , чтобы установить явные ограничения времени или количества моделей для вашего прогона.

Обязательные параметры

Требуемые параметры данных

  • y: Этот аргумент является именем (или индексом) столбца ответа.

  • training_frame: задает обучающий набор.

Требуемые параметры остановки

Должна быть указана одна из следующих стратегий остановки (на основе времени или количества моделей). Если установлены оба параметра, выполнение AutoML остановится, как только достигнет одного из этих пределов.

  • max_runtime_secs: этот аргумент указывает максимальное время, в течение которого будет выполняться процесс AutoML. По умолчанию — 0 (без ограничений), но динамически устанавливается на 1 час, если пользователь не указывает ни один из max_runtime_secs и max_models .

  • max_models: укажите максимальное количество моделей для построения в прогоне AutoML, исключая модели Stacked Ensemble. По умолчанию NULL / None .

Дополнительные параметры

Дополнительные параметры данных

  • x: список / вектор имен или индексов столбцов предикторов. Этот аргумент необходимо указывать только в том случае, если пользователь хочет исключить столбцы из набора предикторов. Если все столбцы (кроме ответа) должны использоваться в прогнозировании, то это не нужно устанавливать.

  • validation_frame: этот аргумент игнорируется, если только nfolds == 0 , в котором можно указать кадр проверки и использовать его для ранней остановки отдельных моделей и ранней остановки поиска по сетке (если max_models или max_runtime_secs переопределяют метрическую -на основе ранней остановки). По умолчанию и когда nfolds> 1 , метрики перекрестной проверки будут использоваться для ранней остановки, и, таким образом, validation_frame будет проигнорирован.

  • leaderboard_frame : Этот аргумент позволяет пользователю указать конкретный фрейм данных, который будет использоваться для оценки и ранжирования моделей в таблице лидеров. Эта рамка не будет использоваться ни для чего, кроме подсчета очков в таблице лидеров. Если фрейм таблицы лидеров не указан пользователем, то вместо этого в таблице лидеров будут использоваться показатели перекрестной проверки, или если перекрестная проверка отключена путем установки nfolds = 0 , то кадр таблицы лидеров будет автоматически сгенерирован из тренировочного кадра. .

  • blending_frame: Определяет кадр, который будет использоваться для вычисления прогнозов, которые служат в качестве обучающего кадра для метаузла моделей Stacked Ensemble. Если он предоставлен, все составные ансамбли, созданные AutoML, будут обучаться с использованием смешивания (также известного как Holdout Stacking) вместо метода стекирования по умолчанию, основанного на перекрестной проверке.

  • fold_column: Определяет столбец с присвоением индекса свертки перекрестной проверки для каждого наблюдения. Это используется для отмены стандартной, рандомизированной, 5-кратной схемы перекрестной проверки для отдельных моделей при запуске AutoML.

  • weights_column: Задает столбец с весами наблюдений. Присвоение некоторому наблюдению нулевого веса эквивалентно исключению его из набора данных; присвоение наблюдению относительного веса 2 эквивалентно повторению этой строки дважды. Отрицательные веса не допускаются.

Дополнительные прочие параметры

  • nfolds: укажите значение> = 2 для количества сгибов для k-кратной перекрестной проверки моделей в прогоне AutoML.По умолчанию это значение равно 5. Используйте 0, чтобы отключить перекрестную проверку; это также отключит составные ансамбли (что снизит общую лучшую производительность модели).

  • balance_classes: укажите, следует ли выполнять избыточную выборку классов меньшинства для балансировки распределения классов. Этот параметр не включен по умолчанию и может увеличить размер фрейма данных. Этот вариант применим только для классификации. Если размер набора данных с избыточной выборкой превышает максимальный размер, рассчитанный с использованием параметра max_after_balance_size , то для большинства классов будет выполнена недостаточная выборка, чтобы удовлетворить предел размера.

  • class_sampling_factors: укажите для каждого класса (в лексикографическом порядке) коэффициенты избыточной / недостаточной выборки. По умолчанию эти соотношения автоматически вычисляются во время обучения, чтобы получить баланс класса. Обратите внимание, что для этого требуется, чтобы для параметра balance_classes было установлено значение True.

  • max_after_balance_size: укажите максимальный относительный размер обучающих данных после подсчета классов балансировки (balance_classes должны быть включены). По умолчанию 5.0. (Значение может быть меньше 1.0).

  • max_runtime_secs_per_model: укажите максимальное количество времени, отводимое на обучение каждой отдельной модели при запуске AutoML. По умолчанию 0 (отключено). Обратите внимание, что установка этого параметра может повлиять на воспроизводимость AutoML.

  • stopping_metric: укажите метрику, которая будет использоваться для ранней остановки. По умолчанию АВТО . Доступные варианты:

    • АВТО : по умолчанию logloss для классификации и отклонение для регрессии.

    • отклонение (среднее остаточное отклонение)

    • логарифм

    • MSE

    • RMSE

    • MAE

    • RMSLE

    • AUC (площадь под кривой ROC)

    • AUCPR (область под кривой Precision-Recall)

    • лифт_топ_группа

    • неправильная классификация

    • mean_per_class_error

  • stopping_tolerance: этот параметр определяет относительный допуск для критерия остановки на основе метрики для остановки поиска по сетке и обучения отдельных моделей в рамках выполнения AutoML.По умолчанию это значение равно 0,001, если набор данных содержит не менее 1 миллиона строк; в противном случае по умолчанию используется большее значение, определяемое размером набора данных и не-NA-ставкой. В этом случае значение рассчитывается как 1 / sqrt (nrows * non-NA-rate).

  • stopping_rounds: этот аргумент используется для остановки обучения модели, когда показатель остановки (например, AUC) не улучшается за указанное количество циклов обучения на основе простого скользящего среднего. В контексте AutoML это контролирует раннюю остановку как при поиске по случайной сетке, так и в отдельных моделях.По умолчанию 3 и должно быть неотрицательным целым числом. Чтобы полностью отключить раннюю остановку, установите для этого параметра значение 0.

  • sort_metric: указывает метрику, используемую для сортировки таблицы лидеров в конце выполнения AutoML. Доступные варианты:

    • АВТО : по умолчанию AUC для двоичной классификации, mean_per_class_error для полиномиальной классификации и отклонение для регрессии.

    • отклонение (среднее остаточное отклонение)

    • логарифм

    • MSE

    • RMSE

    • MAE

    • RMSLE

    • AUC (площадь под кривой ROC)

    • AUCPR (область под кривой Precision-Recall)

    • mean_per_class_error

  • Начальное число

    : целое число.Установите семена для воспроизводимости. AutoML может гарантировать воспроизводимость только при определенных условиях. Модели h3O Deep Learning не воспроизводятся по умолчанию из соображений производительности, поэтому, если пользователю требуется воспроизводимость, exclude_algos должен содержать «DeepLearning» . Кроме того, необходимо использовать max_models , поскольку max_runtime_secs ограничен в ресурсах, а это означает, что если доступные вычислительные ресурсы не одинаковы между запусками, AutoML может обучать больше моделей при одном запуске по сравнению с другим.По умолчанию NULL / None .

  • имя_проекта : строка символов для идентификации проекта AutoML. По умолчанию NULL / None , что означает, что имя проекта будет автоматически сгенерировано на основе идентификатора обучающего кадра. Можно обучить и добавить больше моделей в существующий проект AutoML, указав одно и то же имя проекта в нескольких вызовах функции AutoML (при условии, что один и тот же обучающий фрейм используется в последующих запусках).

  • exclude_algos: список / вектор символьных строк, называющих алгоритмы, которые следует пропустить на этапе построения модели.Пример использования: exclude_algos = ["GLM", "DeepLearning", "DRF"] в Python или exclude_algos = c ("GLM", "DeepLearning", "DRF") в R. По умолчанию Нет / ПУСТО (NULL) , что означает, что будут использоваться все подходящие алгоритмы h3O, если это позволяют критерии остановки поиска и если не указана опция include_algos . Эта опция является взаимоисключающей с include_algos . См. include_algos ниже для списка доступных опций.

  • include_algos: список / вектор символьных строк с именами алгоритмов, которые необходимо включить на этапе построения модели. Пример использования: include_algos = ["GLM", "DeepLearning", "DRF"] в Python или include_algos = c ("GLM", "DeepLearning", "DRF") в R. По умолчанию Нет / ПУСТО (NULL) , что означает, что будут использоваться все подходящие алгоритмы h3O, если это позволяют критерии остановки поиска и если в exclude_algos не указаны алгоритмы.Эта опция является взаимоисключающей с exclude_algos . Доступные алгоритмы:

  • GLM (Обобщенная линейная модель с регуляризацией)

  • XGBoost (XGBoost GBM)

  • ГБМ (h3O ГБМ)

  • DeepLearning (полносвязная многослойная искусственная нейронная сеть)

  • StackedEnsemble (составные ансамбли, включает ансамбль всех базовых моделей и ансамблей, использующих подмножества базовых моделей)

  • models_plan : список шагов моделирования, которые будут использоваться механизмом AutoML.(Не все они могут быть выполнены, в зависимости от других ограничений.)

  • предварительная обработка : список шагов предварительной обработки для запуска. В настоящее время поддерживается только ["target_encoding"] . Дополнительные сведения о том, как автоматически применяется целевое кодирование, можно найти здесь. Экспериментальный.

  • exploitation_ratio : укажите соотношение бюджета (от 0 до 1), выделенное для фазы эксплуатации (по сравнению с разведкой). По умолчанию фаза эксплуатации отключена (exploitation_ratio = 0), поскольку она все еще экспериментальная; чтобы активировать его, рекомендуется попробовать коэффициент около 0.1. Обратите внимание, что текущая фаза эксплуатации пытается настроить только лучший XGBoost и лучший GBM, найденный во время исследования. Экспериментальный.

  • monotone_constraints: отображение, представляющее монотонные ограничения. Используйте +1 для принудительного увеличения ограничения и -1, чтобы указать убывающее ограничение.

  • keep_cross_validation_predictions: укажите, следует ли сохранять прогнозы перекрестной проверки. Это должно быть установлено в TRUE, если один и тот же объект AutoML запускается для повторных запусков, потому что прогнозы CV требуются для построения дополнительных моделей Stacked Ensemble в AutoML.По умолчанию этот параметр имеет значение FALSE.

  • keep_cross_validation_models: укажите, следует ли сохранять модели с перекрестной проверкой. Сохранение моделей перекрестной проверки может потреблять значительно больше памяти в кластере h3O. По умолчанию этот параметр имеет значение FALSE.

  • keep_cross_validation_fold_assignment: Включите этот параметр, чтобы сохранить назначение свертки перекрестной проверки. По умолчанию FALSE.

  • verbosity : (Необязательно: только Python и R) многословность сообщений серверной части, печатаемых во время обучения.Должен быть одним из "отладка", "информация", "предупреждение" . По умолчанию NULL / None (ведение журнала клиента отключено).

  • export_checkpoints_dir: укажите каталог, в который сгенерированные модели будут автоматически экспортироваться.

    • Банкноты

    Параметры проверки

    Если пользователь отключит перекрестную проверку, установив nfolds == 0 , то метрики перекрестной проверки не будут доступны для заполнения таблицы лидеров. В этом случае нам нужно убедиться, что есть удерживающая рамка (т.е. «фрейм таблицы лидеров») для оценки моделей, чтобы мы могли сгенерировать показатели производительности модели для таблицы лидеров. Без перекрестной проверки нам также потребуется фрейм проверки, который будет использоваться для ранней остановки моделей. Следовательно, если какой-либо из этих кадров не предоставлен пользователем, они будут автоматически выделены из обучающих данных. Если какой-либо из кадров отсутствует, 10% обучающих данных будут использоваться для создания недостающего кадра (если оба отсутствуют, то в общей сложности 20% обучающих данных будут использованы для создания 10% -го кадра проверки и 10% -го кадра таблицы лидеров) .

    Требования к памяти XGBoost

    XGBoost, который включен в h3O как сторонняя библиотека, требует собственной памяти вне кластера h3O (Java). При запуске AutoML с XGBoost (он включен по умолчанию) убедитесь, что вы разрешаете h3O не более 2/3 от общего объема доступной оперативной памяти. Пример: если у вас 60 ГБ ОЗУ, используйте h3o.init (max_mem_size = "40G") , оставив 20 ГБ для XGBoost.

    Совместимость с Scikit-learn

    h3OAutoML может взаимодействовать с h3o.модуль sklearn . Модуль h3o.sklearn предоставляет 2 оболочки для h3OAutoML ( h3OAutoMLClassifier и h3OAutoMLRegressor ), которые предоставляют стандартный API, знакомый пользователям sklearn, , , , оценка , прогноз , , оценка , прогноз , get_params и set_params . Он принимает различные форматы в качестве входных данных (h3OFrame, массив numpy , pandas Dataframe), что позволяет комбинировать их с чистыми компонентами sklearn в конвейерах.Для примера использования h3OAutoML с модулем h3o.sklearn щелкните здесь.

    Объяснение

    Объекты

    AutoML полностью поддерживаются через интерфейс h3O Model Explainability. Большое количество графиков сравнения нескольких моделей и графиков одной модели (выноски AutoML) могут быть созданы автоматически с помощью одного вызова h3o.explain () . Мы приглашаем вас узнать больше на странице, указанной выше.

    Примеры кода

    Обучение

    Вот пример, показывающий базовое использование h3o.Функция automl () в R и класс h3OAutoML в Python . Только в демонстрационных целях мы явно указываем аргумент x , хотя в этом наборе данных он не требуется. В этом наборе данных набор предикторов - это все столбцы, кроме ответа. Как и другие алгоритмы h3O, значение по умолчанию x - «все столбцы, исключая y », поэтому результат будет тот же.

    Библиотека
     (h3o)

# Запускаем кластер h3O (локально)
h3o.в этом()

# Импортировать образец набора бинарных результатов / теста в h3O
train <- h3o.importFile ("https://s3.amazonaws.com/erin-data/higgs/higgs_train_10k.csv")
test <- h3o.importFile ("https://s3.amazonaws.com/erin-data/higgs/higgs_test_5k.csv")

# Определить предикторы и ответ
y <- "ответ"
x <- setdiff (имена (поезд), y)

# Для двоичной классификации ответ должен быть фактором
train [, y] <- as.factor (train [, y])
test [, y] <- as.factor (test [, y])

# Запускаем AutoML для 20 базовых моделей
aml <- h3o.автомл (х = х, у = у,
                  training_frame = поезд,
                  max_models = 20,
                  семя = 1)

# Просмотр таблицы лидеров AutoML
lb <- aml @ таблица лидеров
print (lb, n = nrow (lb)) # Распечатать все строки вместо значений по умолчанию (6 строк)

# model_id auc logloss mean_per_class_error rmse mse
# 1 StackedEnsemble_AllModels_AutoML_20181210_150447 0,7895453 0,5516022 0,3250365 0,4323464 0,1869234
# 2 StackedEnsemble_BestOfFamily_AutoML_20181210_150447 0.7882530 0,5526024 0,3239841 0,4328491 0,1873584
# 3 XGBoost_1_AutoML_20181210_150447 0,7846510 0,5575305 0,3254707 0,4349489 0,1891806
# 4 XGBoost_grid_1_AutoML_20181210_150447_model_4 0,7835232 0,5578542 0,3188188 0,4352486 0,1894413
# 5 XGBoost_grid_1_AutoML_20181210_150447_model_3 0,7830043 0,5596125 0,3250808 0,4357077 0,1898412
# 6 XGBoost_2_AutoML_20181210_150447 0,7813603 0,5588797 0.3470738 0,4359074 0,1
    3
# 7 XGBoost_3_AutoML_20181210_150447 0,7808475 0,5595886 0,3307386 0,4361295 0,1
    0
# 8 GBM_5_AutoML_20181210_150447 0,7808366 0,5599029 0,3408479 0,4361915 0,1
    0
# 9 GBM_2_AutoML_20181210_150447 0,7800361 0,5598060 0,3399258 0,4364149 0,1
    0
# 10 GBM_1_AutoML_20181210_150447 0,7798274 0,5608570 0,3350957 0,4366159 0,15
# 11 GBM_3_AutoML_20181210_150447 0.7786685 0,5617903 0,3255378 0,4371886 0,19
# 12 XGBoost_grid_1_AutoML_20181210_150447_model_2 0,7744105 0,5750165 0,3228112 0,4427003 0,1959836
# 13 GBM_4_AutoML_20181210_150447 0,7714260 0,5697120 0,3374203 0,4410703 0,1945430
# 14 GBM_grid_1_AutoML_20181210_150447_model_1 0,7697524 0,5725826 0,3443314 0,4424524 0,1957641
# 15 GBM_grid_1_AutoML_20181210_150447_model_2 0,7543664 0,9185673 0.3558550 0,4966377 0,2466490
# 16 DRF_1_AutoML_20181210_150447 0,7428924 0,5958832 0,3554027 0,4527742 0,2050045
# 17 XRT_1_AutoML_20181210_150447 0,7420910 0,5993457 0,3565826 0,4531168 0,2053148
# 18 DeepLearning_grid_1_AutoML_20181210_150447_model_2 0.7388505 0.6012286 0.3695292 0.4555318 0.2075092
# 19 XGBoost_grid_1_AutoML_20181210_150447_model_1 0.7257836 0.6013126 0.3820490 0.4565541 0.2084417
# 20 DeepLearning_1_AutoML_20181210_150447 0.6979292 0,6339217 0,3979403 0,4692373 0,2201836
# 21 DeepLearning_grid_1_AutoML_20181210_150447_model_1 0,6847773 0,6694364 0,4081802 0,4799664 0,2303678
# 22 GLM_grid_1_AutoML_20181210_150447_model_1 0,6826481 0,6385205 0,3972341 0,4726827 0,2234290
#
# [22 строки x 6 столбцов]

# Здесь хранится модель лидера
aml @ лидер
 
     импорт h3o
из h3o.automl импортировать h3OAutoML

# Запускаем кластер h3O (локально)
h3o.init ()

# Импортировать образец набора бинарных результатов / теста в h3O
поезд = h3o.import_file ("https://s3.amazonaws.com/erin-data/higgs/higgs_train_10k.csv")
test = h3o.import_file ("https://s3.amazonaws.com/erin-data/higgs/higgs_test_5k.csv")

# Определить предикторы и ответ
x = train.columns
y = "ответ"
x.remove (y)

# Для двоичной классификации ответ должен быть фактором
поезд [y] = поезд [y] .asfactor ()
test [y] = test [y] .asfactor ()

# Запускаем AutoML для 20 базовых моделей
aml = h3OAutoML (max_models = 20, seed = 1)
aml.train (x = x, y = y, training_frame = поезд)

# Просмотр таблицы лидеров AutoML
фунт = амл.таблица лидеров
lb.head (rows = lb.nrows) # Распечатать все строки вместо значений по умолчанию (10 строк)

# model_id auc logloss mean_per_class_error rmse mse
# ------------------------------------------------- - -------- --------- ---------------------- -------- - -------
# StackedEnsemble_AllModels_AutoML_20181212_105540 0,789801 0,551109 0,333174 0,43211 0,186719
# StackedEnsemble_BestOfFamily_AutoML_20181212_105540 0,788425 0.552145 0,323192 0,432625 0,187165
# XGBoost_1_AutoML_20181212_105540 0,784651 0,55753 0,325471 0,434949 0,189181
# XGBoost_grid_1_AutoML_20181212_105540_model_4 0,783523 0,557854 0,318819 0,435249 0,189441
# XGBoost_grid_1_AutoML_20181212_105540_model_3 0,783004 0,559613 0,325081 0,435708 0,189841
# XGBoost_2_AutoML_20181212_105540 0,78136 0,55888 0,347074 0.435907 0,1
    
# XGBoost_3_AutoML_20181212_105540 0,780847 0,559589 0,330739 0,43613 0,1
    
# GBM_5_AutoML_20181212_105540 0,780837 0,559903 0,340848 0,436191 0,1
    
# GBM_2_AutoML_20181212_105540 0,780036 0,559806 0,339926 0,436415 0,1
    
# GBM_1_AutoML_20181212_105540 0,779827 0,560857 0,335096 0,436616 0,1
# GBM_3_AutoML_20181212_105540 0.778669 0,56179 0,325538 0,437189 0,1
# XGBoost_grid_1_AutoML_20181212_105540_model_2 0,774411 0,575017 0,322811 0,4427 0,195984
# GBM_4_AutoML_20181212_105540 0,771426 0,569712 0,33742 0,44107 0,194543
# GBM_grid_1_AutoML_20181212_105540_model_1 0,769752 0,572583 0,344331 0,442452 0,195764
# GBM_grid_1_AutoML_20181212_105540_model_2 0,754366 0,918567 0.355855 0,496638 0,246649
# DRF_1_AutoML_20181212_105540 0,742892 0,595883 0,355403 0,452774 0,205004
# XRT_1_AutoML_20181212_105540 0,742091 0,599346 0,356583 0,453117 0,205315
# DeepLearning_grid_1_AutoML_20181212_105540_model_2 0.741795 0.601497 0.368291 0.454904 0.206937
# XGBoost_grid_1_AutoML_20181212_105540_model_1 0,693554 0,620702 0,40588 0,465791 0,216961
# DeepLearning_1_AutoML_20181212_105540 0.69137 0,637954 0,409351 0,47178 0,222576
# DeepLearning_grid_1_AutoML_20181212_105540_model_1 0,6 0,661794 0,418469 0,476635 0,227181
# GLM_grid_1_AutoML_20181212_105540_model_1 0,682648 0,63852 0,397234 0,472683 0,223429
#
# [22 строки x 6 столбцов]

# Здесь хранится модель лидера
aml.leader

    Приведенный выше код - это самый быстрый способ начать работу, и на этот пример будут ссылки в следующих разделах.Чтобы узнать больше о h3O AutoML, мы рекомендуем взглянуть на наше более подробное руководство по AutoML (доступно на R и Python).

    Прогноз

    Использование функции прогнозирования () с AutoML генерирует прогнозы на основе модели лидера из прогона. Порядок строк в результатах совпадает с порядком, в котором данные были загружены, даже если некоторые строки завершились ошибкой (например, из-за пропущенных значений или невидимых уровней факторов).

    Используя предыдущий пример кода, вы можете сгенерировать предсказания тестового набора следующим образом:

     # Для создания прогнозов по набору тестов вы можете делать прогнозы
# непосредственно на объекте `h3OAutoML` или на модели выноски
# объект напрямую
пред <- h3o.предсказать (aml, test) # предсказать (aml, test) тоже работает

# или:
pred <- h3o.predict (aml @ лидер, тест)
 
     # Для создания прогнозов по набору тестов вы можете делать прогнозы
# непосредственно на объекте `h3OAutoML` или на модели выноски
# объект напрямую
preds = aml.predict (тест)

# или:
preds = aml.leader.predict (тест)

    Вывод AutoML

    Доска почета

    Объект AutoML включает «таблицу лидеров» моделей, которые были обучены в процессе, включая 5-кратную перекрестную проверку производительности модели (по умолчанию).Количество складок, используемых в процессе оценки модели, можно настроить с помощью параметра nfolds . Если вы хотите оценить модели в конкретном наборе данных, вы можете указать аргумент leaderboard_frame в прогоне AutoML, и тогда в таблице лидеров вместо этого будут отображаться оценки для этого набора данных.

    Модели ранжируются по метрике по умолчанию в зависимости от типа проблемы (второй столбец таблицы лидеров). В задачах двоичной классификации эта метрика - AUC, а в задачах мультиклассовой классификации - это средняя ошибка для каждого класса.В задачах регрессии метрикой сортировки по умолчанию является отклонение. Для удобства также предоставляются некоторые дополнительные метрики.

    Чтобы помочь пользователям оценить сложность моделей AutoML , функция h3o.get_leaderboard была расширена за счет включения параметра extra_columns . Этот параметр позволяет указать, какие (если есть) дополнительные столбцы должны быть добавлены в таблицу лидеров. По умолчанию это None. Допустимые варианты:

    • training_time_ms : столбец, содержащий время обучения каждой модели в миллисекундах.(Обратите внимание, что это не включает обучение моделей перекрестной проверки.)

    • pred_time_per_row_ms : столбец, содержащий среднее время прогнозирования моделью для одной строки.

    • ВСЕ : добавляет столбцы как для training_time_ms, так и для pred_time_per_row_ms.

    Используя предыдущий пример, вы можете получить таблицу лидеров следующим образом:

     # Получить таблицу лидеров со всеми возможными столбцами
фунт <- h3o.get_leaderboard (объект = aml, extra_columns = "ВСЕ")
фунт
 
     # Получить таблицу лидеров со всеми возможными столбцами
lb = h3o.automl.get_leaderboard (aml, extra_columns = "ВСЕ")
фунт

    Вот пример таблицы лидеров (со всеми столбцами) для задачи двоичной классификации. Щелкните изображение, чтобы увеличить.

    Изучите модели

    Чтобы более внимательно изучить обученные модели, вы можете взаимодействовать с моделями либо по идентификатору модели, либо с помощью удобной функции, которая может выбрать лучшую модель для каждого типа модели (ранжированной по метрике по умолчанию или метрике по вашему выбору).

    Получите лучшую модель или лучшую модель определенного типа:

     # Получите лучшую модель, используя метрику
m <- aml @ лидер
# это эквивалентно
m <- h3o.get_best_model (aml)

# Получите лучшую модель, используя нестандартную метрику
m <- h3o.get_best_model (aml, criterion = "logloss")

# Получите лучшую модель XGBoost, используя метрику сортировки по умолчанию
xgb <- h3o.get_best_model (aml, algorithm = "xgboost")

# Получите лучшую модель XGBoost, отсортированную по logloss
xgb <- h3o.get_best_model (aml, algorithm = "xgboost", criterion = "logloss")
 
     # Получите лучшую модель, используя метрику
м = амл.лидер
# это эквивалентно
m = aml.get_best_model ()

# Получите лучшую модель, используя нестандартную метрику
m = aml.get_best_model (критерий = "logloss")

# Получите лучшую модель XGBoost, используя метрику сортировки по умолчанию
xgb = aml.get_best_model (алгоритм = "xgboost")

# Получите лучшую модель XGBoost, отсортированную по logloss
xgb = aml.get_best_model (алгоритм = "xgboost", критерий = "logloss")

    Получите конкретную модель по ID модели:

     # Получить конкретную модель по идентификатору модели
m <- h3o.getModel ("StackedEnsemble_BestOfFamily_AutoML_201_174603")
 
     # Получить конкретную модель по идентификатору модели
m = h3o.get_model ("StackedEnsemble_BestOfFamily_AutoML_201_174603")

    После получения модели на R или Python вы можете проверить параметры модели следующим образом:

     # Просмотр значений параметров не по умолчанию для модели XGBoost выше
xgb @ параметры
 
     # Просмотр параметров для модели XGBoost, выбранной выше
xgb.params.keys ()

# Проверить значения отдельных параметров
xgb.params ['деревья']

    Журнал AutoML

    При использовании клиентов Python или R вы также можете получить доступ к метаинформации со следующими свойствами объекта AutoML:

    • event_log : h3OFrame с выбранными внутренними событиями AutoML, созданными во время обучения.

    • training_info : словарь, содержащий данные, которые могут быть полезны для постанализа (например, различные тайминги). Если вам нужно время обучения и прогнозирования для каждой модели, проще изучить эти данные в расширенной таблице лидеров с помощью функции h3o.get_leaderboard () .

     # Получить журнал событий AutoML
журнал <- aml @ event_log

# Получить информацию о времени тренировки
info <- aml @ training_info
 
     # Получить журнал событий AutoML
журнал = aml.Журнал событий

# Получить информацию о времени тренировки
info = aml.training_info

    Экспериментальные особенности

    Предварительная обработка

    Начиная с h3O 3.32.0.1, AutoML теперь имеет опцию предварительной обработки с минимальной поддержкой автоматического целевого кодирования категориальных переменных высокой мощности. Единственная поддерживаемая в настоящее время опция - preprocessing = ["target_encoding"] : мы автоматически настраиваем модель Target Encoder и применяем ее к столбцам, которые соответствуют определенным требованиям мощности для древовидных алгоритмов (XGBoost, h3O GBM и Random Forest).В этом билете задокументирована работа по улучшению поддержки автоматической предварительной обработки (улучшенная производительность модели, а также настройка).

    FAQ

    Текущая версия AutoML обучает и перекрестно проверяет следующие алгоритмы: три предварительно заданные модели XGBoost GBM (Gradient Boosting Machine), фиксированная сетка GLM, случайный лес по умолчанию (DRF), пять предварительно заданных GBM h3O, почти по умолчанию Deep Neural Net, Extremely Randomized Forest (XRT), случайная сетка из GBM XGBoost, случайная сетка из h3O GBM и случайная сетка из Deep Neural Network.В некоторых случаях на выполнение всех алгоритмов может не хватить времени, поэтому некоторые из них могут отсутствовать в таблице лидеров. В других случаях сетки будут останавливаться раньше, и если останется время, две верхние случайные сетки будут перезапущены для обучения большего количества моделей. AutoML обучает несколько моделей Stacked Ensemble на протяжении всего процесса (подробнее об ансамблях ниже).

    Отдельные алгоритмы (или группы алгоритмов) можно отключить с помощью аргумента exclude_algos . Это полезно, если у вас уже есть некоторое представление об алгоритмах, которые будут хорошо работать с вашим набором данных, хотя иногда это может привести к потере производительности, потому что большее разнообразие среди наборов моделей обычно увеличивает производительность составных ансамблей.В качестве первого шага вы можете оставить все алгоритмы включенными и изучить их характеристики производительности (например, скорость прогнозирования), чтобы понять, что может быть практически полезно в вашем конкретном сценарии использования, а затем отключить алгоритмы, которые не представляют интереса или полезности. тебе. Мы рекомендуем использовать интерфейс h3O Model Explainability для изучения и дальнейшей оценки ваших моделей AutoML, которые могут повлиять на ваш выбор модели (если у вас есть другие цели, помимо простого увеличения точности модели).

    Список гиперпараметров, по которым выполняется поиск для каждого алгоритма в процессе AutoML, включен в приложение ниже.Более подробная информация о диапазонах гиперпараметров для моделей в дополнение к жестко запрограммированным моделям будет добавлена ​​в приложение позже.

    AutoML обучает несколько моделей составных ансамблей во время выполнения (если ансамбли не отключены с помощью параметра exclude_algos ). Мы разделили обучение модели в AutoML на «группы моделей» с разными уровнями приоритета. После завершения каждой группы и в самом конце процесса AutoML мы обучаем (максимум) два дополнительных составных ансамбля с существующими моделями.В настоящее время существует два типа составных ансамблей: один, который включает все базовые модели («Все модели»), и один, состоящий только из лучших моделей из каждого семейства алгоритмов («Лучшие из семейства»). Ансамбли Best of Family более оптимизированы для производственного использования, поскольку содержат всего шесть (или меньше) базовых моделей. Он должен быть относительно быстрым для использования в производственной среде (для создания прогнозов на основе новых данных) без значительного снижения производительности модели по сравнению, например, с окончательным ансамблем «Все модели».Это может быть полезно, если вы хотите повысить производительность модели за счет ансамбля без дополнительного времени или сложности большого ансамбля. Вы также можете изучить некоторые из более ранних составных ансамблей «Все модели», в которых меньше моделей в качестве альтернативы ансамблям «Лучшее из семейства». Метод метаузла, используемый во всех ансамблях, является вариантом метаузла по умолчанию Stacked Ensemble: неотрицательный GLM с регуляризацией (лассо или эластичная сеть, выбранная CV) для поощрения более разреженных ансамблей. Metalearner также использует логит-преобразование (на основе предустановленных CV учащихся) для задач классификации перед обучением.

    Для получения информации о том, чем предыдущие версии AutoML отличались от текущей, есть краткое описание здесь.

    Вместо того, чтобы сохранять сам объект AutoML, в настоящее время лучше всего сохранять модели, которые вы хотите сохранить, по отдельности. Утилита для одновременного сохранения всех моделей, а также способ сохранения объекта AutoML (с таблицей лидеров) будут добавлены в следующем выпуске.

    Модели

    XGBoost в AutoML могут использовать графические процессоры.Помните, что должны быть выполнены следующие требования:

    • графических процессора NVIDIA (GPU Cloud, DGX Station, DGX-1 или DGX-2)

    • CUDA 8

    Вы можете контролировать использование графического процессора с помощью команды nvidia-smi . Обратитесь к https://developer.nvidia.com/nvidia-system-management-interface для получения дополнительной информации.

    AutoML включает в свой набор алгоритмов XGBoost GBM (машины с градиентным усилением). Эта функция в настоящее время предоставляется со следующими ограничениями:

    • XGBoost недоступен на компьютерах с Windows.

    • XGBoost используется только в том случае, если он доступен глобально и не был явно отключен. Вы можете проверить, доступен ли XGBoost, используя h3o.xgboost.available () в R или h3o.estimators.xgboost.h3OXGBoostEstimator.available () в Python.

    Если вы используете 3.34.0.1 или более позднюю версию, AutoML должен использовать все время, указанное с помощью max_runtime_secs . Однако, если вы используете более раннюю версию, то по умолчанию была включена ранняя остановка, и вы можете остановить ее раньше.При ранней остановке AutoML остановится, как только не будет «достаточного» постепенного улучшения. Пользователь может настроить параметры ранней остановки, чтобы они были более или менее чувствительными. Установите значение stopping_rounds выше, если вы хотите замедлить раннюю остановку и позволить AutoML обучать больше моделей до ее остановки.

    Цитата

    Если вы цитируете алгоритм h3O AutoML в статье, то процитируйте, пожалуйста, нашу статью с 7-го семинара ICML по автоматизированному машинному обучению (AutoML). Отформатированная версия цитаты будет выглядеть так:

    Эрин ЛеДель и Себастьян Пуарье. h3O AutoML: масштабируемое автоматическое машинное обучение . 7-й семинар ICML по автоматизированному машинному обучению (AutoML), июль 2020 г. URL https://www.automl.org/wp-content/uploads/2020/07/AutoML_2020_paper_61.pdf.

    Если вы используете Bibtex:

     @article {h3OAutoML20,
    title = {{h3O} {A} uto {ML}: масштабируемое автоматическое машинное обучение},
    author = {Эрин ЛеДель и Себастьян Пуарье},
    год = {2020},
    month = {июль},
    journal = {7-й семинар ICML по автоматизированному машинному обучению (AutoML)},
    url = {https: // www.automl.org/wp-content/uploads/2020/07/AutoML_2020_paper_61.pdf},
}

    Алгоритм h3O AutoML был впервые выпущен в h3O 3.12.0.1 6 июня 2017 года. Если вам нужно указать конкретную версию алгоритма h3O AutoML, вы можете использовать дополнительную ссылку (используя соответствующую версию, замененную ниже) следующим образом:

     @Manual {h3OAutoML_33212,
    title = {{h3O} {A} uto {ML}},
    автор = {h3O.ai},
    год = {2021},
    note = {h3O version 3.32.1.2},
    url = {http://docs.h3o.ai/h3o/latest-stable/h3o-docs/automl.html},
}

    Информация о том, как цитировать программное обеспечение h3O в целом, содержится в FAQ по h3O.

    Параметры поиска случайной сетки

    AutoML выполняет поиск гиперпараметров по множеству алгоритмов h3O, чтобы предоставить лучшую модель. В таблице ниже мы перечисляем гиперпараметры вместе со всеми потенциальными значениями, которые могут быть случайным образом выбраны при поиске. Если в этих моделях также установлено значение не по умолчанию для гиперпараметра, мы также указываем его в списке.Случайный лес и чрезвычайно рандомизированные деревья не обрабатываются по сетке (в текущей версии AutoML), поэтому они не включены в список ниже.

    Примечание : AutoML не выполняет стандартный поиск по сетке для GLM (возвращает все возможные модели). Вместо этого AutoML создает единую модель с включенным параметром lambda_search и передает список альфа-значений . Он возвращает только модель с лучшей комбинацией альфа-лямбда, а не одну модель для каждой комбинации альфа-лямбда.

    Гиперпараметры GLM

    В этой таблице показаны значения GLM, по которым выполняется поиск при выполнении поиска по сетке AutoML. Дополнительная информация доступна здесь.

    Примечание : GLM использует собственный поиск по внутренней сетке, а не интерфейс h3O Grid. Для GLM AutoML создает единую модель с включенным параметром lambda_search и передает список альфа-значений . Он возвращает одну модель с лучшей комбинацией альфа-лямбда, а не одну модель для каждой альфы.

    Параметр

    Значения для поиска

    альфа

    {0,0, 0,2, 0,4, 0,6, 0,8, 1,0}

    Гиперпараметры XGBoost

    В этой таблице показаны значения XGBoost, по которым выполняется поиск при выполнении поиска по сетке AutoML. Дополнительная информация доступна здесь.

    Параметр

    Значения для поиска

    усилитель

    gbtree , dart

    col_sample_rate

    {0.6, 0.8, 1.0}

    col_sample_rate_per_tree

    {0,7, 0,8, 0,9, 1,0}

    макс_глубина

    {5, 10, 15, 20}

    мин_строек

    {0,01, 0,1, 1,0, 3,0, 5,0, 10,0, 15,0, 20,0}

    деревьев

    Жестко запрограммировано: 10000 (истинное значение найдено при ранней остановке)

    reg_alpha

    {0.001, 0,01, 0,1, 1, 10, 100}

    reg_lambda

    {0,001, 0,01, 0,1, 0,5, 1}

    скорость_выборки

    {0,6, 0,8, 1,0}

    Гиперпараметры GBM

    В этой таблице показаны значения GLM, по которым выполняется поиск при выполнении поиска по сетке AutoML. Дополнительная информация доступна здесь.

    Параметр

    Значения для поиска

    col_sample_rate

    {0,4, 0,7, 1,0}

    col_sample_rate_per_tree

    {0,4, 0,7, 1,0}

    скорость обучения

    Жестко запрограммировано: 0.1

    макс_глубина

    {3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17}

    мин_строек

    {1, 5, 10, 15, 30, 100}

    min_split_improvement

    {1e-4, 1e-5}

    деревьев

    Жестко запрограммировано: 10000 (истинное значение найдено при ранней остановке)

    скорость_выборки

    {0.50, 0,60, 0,70, 0,80, 0,90, 1,00}

    Гиперпараметры глубокого обучения

    В этой таблице показаны значения глубокого обучения, по которым выполняется поиск при выполнении поиска по сетке AutoML. Дополнительная информация доступна здесь.

    Параметр

    Значения для поиска

    активация

    Жесткая кодировка: RectifierWithDropout

    эпох

    Жестко запрограммировано: 10000 (истинное значение найдено при ранней остановке)

    эпсилон

    {1e-6, 1e-7, 1e-8, 1e-9}

    скрыто

    • Поиск по сетке 1: {20}, {50}, {100}

    • Поиск по сетке 2: {20, 20}, {50, 50}, {100, 100}

    • Поиск по сетке 3: {20, 20, 20}, {50, 50, 50}, {100, 100, 100}

    hidden_dropout_ratios

    • Поиск по сетке 1: {0.1}, {0,2}, {0,3}, {0,4}, {0,5}

    • Поиск по сетке 2: {0,1, 0,1}, {0,2, 0,2}, {0,3, 0,3}, {0,4, 0,4}, {0,5, 0,5}

    • Поиск по сетке 3: {0,1, 0,1, 0,1}, {0,2, 0,2, 0,2} {0,3, 0,3, 0,3}, {0,4, 0,4, 0,4}, {0,5, 0,5, 0,5}

    input_dropout_ratio

    {0,0, 0,05, 0,1, 0,15, 0,2}

    rho

    {0.9, 0.95, 0.99}

    Дополнительная информация

    Здесь отслеживается развитие

    AutoML. На этой странице перечислены все открытые или незавершенные заявки AutoML JIRA.

    .

    No related posts.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *

    Copyright © 2019 "DoorsStyle" Все правва защищены. Политика конфиденциальности right