14、数据解析与物联网价值闭环实现

数据解析与物联网价值闭环实现

1. 构建强大分析的领域与数据上下文融合

在故障预测建模中，算法的有效性高度依赖于数据可用性和特征建模。例如，在各类基于空气的建筑控制系统中，适量的送风气流对于维持理想的控制效果、能源效率、室内空气质量以及预测系统故障至关重要。但实际中，往往缺乏物理传感器来测量气流。这时，领域专家可以基于广泛安装且可用的温度传感器引入虚拟气流传感。结合其他传感数据和虚拟传感，就能更准确地对故障进行建模和检测。这体现了领域知识如何融入并提升分析性能。此外，选择和设置准确的传感及采样率也是分析成功的关键因素，同样展示了领域知识对分析性能的改善作用。

2. 理解不同分析技术的必要性

不同的数据结构和分析目标需要不同的分析技术：
- 无监督聚类 ：当没有可用的训练数据集，且决策面不再是线性时，无监督聚类是研究数据洞察的不错选择。
- 支持向量机（SVM） ：当决策面非常复杂，且分析目标是对语音和图像等进行分类或识别时，SVM 是可以尝试的选项。
- 深度学习 ：当有大量训练集时，深度学习（如高阶神经网络）是自然的选择。
- 决策树和概率图模型 ：当决策过程的透明度（即易于理解决策是如何做出的）是关键要求时，决策树和概率图模型是不错的候选。

不同的机器学习算法各有优缺点，如下表所示：
|算法|优点|缺点|
| ---- | ---- | ---- |
|决策树|模型易于解释|容易过拟合|
|贝叶斯网络|有强大的统计基础，在处