15 маркировок на автоматических выключателях

Автоматический выключатель на своем корпусе несет массу полезной информации, о которой многие даже и не догадываются.

Основной упор при выборе и покупке, почему то делается только на величину номинального тока. А между тем, чтобы правильно выбрать автомат защиты, нужно учитывать множество факторов и технических характеристик подобных коммутационных устройств.

Наиболее важные из них производители нам и предоставляют, указывая все это непосредственно на корпусе, либо несмываемой краской, либо лазерной маркировкой.

Зная их расшифровку и обозначение, вам больше не придется лезть в интернет или в специализированные каталоги. Достаточно внимательно осмотреть модульный автомат со всех сторон.

Давайте пройдемся по всем этим данным, взяв за основу наиболее популярные марки от ABB, Schneider Electric, IEK и другие.

Производитель

Первое, что выделяется на лицевой стороне корпуса — это логотип и название производителя. Большинство останавливает свой взгляд именно на этом.

Перед походом в магазин, у нас уже как правило сформировано представление о том, какая марка будет приобретаться. Выбор делается на основе предыдущего опыта (положительного или отрицательного), либо подробного изучения всей имеющейся информации в сети.

И только после этого идет подробное изучение технических особенностей.

После названия фирмы производителя, указывается серия данного выключателя или так называемая линейка.

В ней бывает зашифровано несколько параметров и конструктивных особенностей. Причем каждая линейка может подразделяться на отдельные кластеры, со своими нюансами и отличиями.

Вот например, расшифровка автоматов ABB серии S200.

Номинальный ток и времятоковая характеристика

Далее следует одна из главных надписей — номинальный ток автомата. Например С25 или С16.

Первая буква обозначает времятоковую характеристику «С». Цифра после буквы — значение номинального тока.

Самые распространенные характеристики — «B, C, D, Z, K». Они определяют время отключения, в зависимости от тока короткого замыкания, проходящего через автомат. Если коротко, то:

B

автомат отключится «условно мгновенно» при токе КЗ в 3-5 раз больше номинала

В основном их ставят в цепях освещения.

C

при токе КЗ в 5-10 раз больше номинала

Универсальное применение в сетях со смешанной нагрузкой.

D

в 10-20 раз больше Iном

Используются для подключения электродвигателей.

Z

в 2-3 раза

Актуально в схемах с электронными устройствами.

K

в 8-12 раз

Подходит только для оборудования с индуктивной нагрузкой.

Все подобные устройства имеют тепловую и электромагнитную защиту. Хотя тепловая иногда может и не ставится. Но об это чуть позже.

Тепловая часть отключает автоматический выключатель в диапазоне токов от 1,13 до 1,45*Iном.

Электромагнитная — в диапазоне вышеприведенных параметров в зависимости от типа характеристики.

Обратите внимание, что при значении С25, автомат не отключит нагрузку в 26 Ампер. Это случится только при величине тока в 1,13 раз большую от 25А. Да и то, через довольно длительный промежуток времени (более 1 часа).

Есть такое понятие как:

• ток срабатывания — 1,45*Iном

Автомат гарантировано сработает в течение часа.

• ток не срабатывания — 1,13*Iном

Автомат не должен сработать в течение часа, а только по истечении этого времени.

Еще не забывайте, что значение номинального тока на корпусе указано для окружающей температуры в +30С. Если вы поставите аппарат в бане или на фасаде дома, прямо под лучами солнца, то 16 Амперный автомат, знойным летним деньком может сработать при токе, даже меньше номинального!

Напряжение

230/400V — надписи номинального напряжения, где может применяться данный автомат.

Если там стоит значок 230V (без 400V), эти аппараты нужно использовать только в однофазных сетях. Вы не сможете поставить в ряд два или три однофазных выключателя и подать таким образом 380В на двигательную нагрузку или трехфазный насос, либо вентилятор.

Еще внимательно изучайте двухполюсные модели. Если у них на одном из полюсов написана буква «N» (не только дифавтоматы), то именно сюда подключается нулевая жила, а не фазная.

Они и называются несколько иначе. Например ВА63 1П+N.

Значок волны означает — для работы в сетях переменного напряжения.

На постоянное напряжение и ток, такие аппараты лучше не ставить. Характеристики его отключения и результат работы при КЗ, будут не предсказуемы.

Выключатели на постоянный ток и напряжение, помимо значка в виде прямой линии, могут иметь на своих клеммах характерные надписи «+» (плюс) и «-» (минус).

Причем правильное подключение полюсов здесь критично. Это связано с тем, что условия гашения дуги на постоянном токе несколько тяжелее.

Если на переменке происходит естественное гашение дуги при переходе синусоиды через ноль, то на постоянке, синусоида как таковая отсутствует. Для устойчивого гашения дуги в них применяется магнит, устанавливаемый вблизи дугогасительной камеры.

Он засасывает дугу как можно глубже, тем самым обеспечивая ее разрыв. Поэтому, если вы перепутаете полярность, то возникнет обратный эффект и магнит при срабатывании автомата будет не затягивать, а выталкивать дугу.

Что приведет к неминуемому разрушению корпуса.

Отключающая способность

4500А или 6000А — номинальная отключающая способность тока в амперах при номинальном напряжении.

Это означает, что если на нагрузке или на кабеле по которому она питается, случится короткое замыкание с силой тока 6000А, то данный аппарат сможет успешно выполнить свою задачу и отключит потребителя.

Если же ток будет больше 6000А, то контакты автомата могут свариться между собой, «прикипеть», либо разрушатся (выгорят) стенки корпуса.

С какой именно величиной тока (4,5кА или 6кА) выбирать автоматы для щитовой в многоэтажках, а какие устанавливать при проживани в частном доме за городом, читайте в отдельной статье.

Бывают аппараты рассчитанные и на бОльшие токи КЗ. Причем при Iном=0,5-25А это будет ток КЗ в 25кА, а при Iном=32-63А всего лишь 15кА.

Это объясняется невозможностью рассеять большую мощность дуги при таких компактных габаритах. Хотите токи еще больше? Тогда ищите экземпляры чуть пошире.

Причем речь здесь не идет о промышленных габаритных выключателях. Это те же самые модульные автоматы, правда с одним исключением.

Они занимают на дин-рейке, в отличие от стандартных не один модуль, а полтора. Вот пример от ABB на токи КЗ до 50кА!

Класс токоограничения

Цифра после тока КЗ (3 или 2) — класс токоограничения.

Выключатель с такой функцией не позволяет току короткого замыкания принимать его самое максимальное значение и производит отключение на как можно ранней стадии.

То есть, эта цифра показывает, насколько быстро внутри устройства гасится электрическая дуга, не позволяя отдельным элементам и деталям, нагреваться до предельных температур и способствовать пожару.

Класс ‘2’

ограничивает ток КЗ в пределах половины полупериода

Класс ‘3’

в пределах 1/3 полупериода

Грубо говоря, автомат с «троечкой», справится с последствиями тока КЗ быстрее, чем с «двоечкой». По времени это можно отразить следующей таблицей.

Устройства с «первым» классом, вообще никоим образом и никакими цифрами не маркируются.

Все вышеприведенные маркировки располагаются на лицевой стороне. Теперь переходим к боковой грани. Там тоже есть масса полезной информации.

ГОСТ и стандарты

Например, соответствие стандарту. Вот модель от Шнайдер Электрик, которая одновременно отвечает двум международным стандартам.

Эти стандарты имеют отечественные аналоги. Для российского рынка чаще всего указывается ГОСТ Р50345.

Эта надпись означает, что выключатель можно применять только в бытовых условиях.

Обслуживать его могут рядовые потребители и лица, без прохождения какого-либо обучения и инструктажа.

Есть и другой ГОСТ Р500030.2

Эти модели уже предназначены для эксплуатации в промышленных условиях. Работать с такими аппаратами разрешается только квалифицированному персоналу.

Далее некоторые надписи могут дублировать информацию на передней панели.

• U=400V — номинальное рабочее напряжение

• Icn=6000А — наибольшая отключающая способность

• 50/60Гц — частота работы электросети

• I=8In (С) — автоматический выключатель имеет характеристику «С» с пределом электромагнитного отключения 8 крат от номинального тока (+-20%).

Напряжение импульсное, изоляция и степень загрязнения

Есть и новые маркировки.

• Uimp=6kV — номинальное импульсное удерживаемое напряжение

• Ui=500V — номинальное напряжение изоляции

• Deg3 — степень загрязнения

Означает, что допустимо токопроводящее загрязнение или сухое не токопроводящее загрязнение, которое может стать токопроводящим при конденсации влаги.

Наибольшая отключающая способность

• Ics/Icu и Icu

А вот этот параметр наиболее интересен, хотя указывают его далеко не все производители. Это так называемая, наибольшая отключающая способность в зависимости от напряжения.

Упрощенно по поводу Icu можно сказать следующее. Если ток КЗ прошедший через автомат, будет соответствовать данному значению указанному на корпусе, то автоматический выключатель успешно выполнит свою задачу только один раз.

Далее он уже будет не пригоден к последующей эксплуатации. Его по любому придется заменить.

Если же ток КЗ будет равен параметру Ics/Icu, то автоматом можно пользоваться и дальше.

Данные надписи порой очень важны и позволяют оценить возможность применения коммутационного аппарата при различном номинальном напряжении. Как понимаете, токи КЗ при этом будут существенно отличаться.

Отключающая способность автоматов имеет квадратичную зависимость от питающего напряжения. Вот посмотрите насколько существенна эта разница.

Поэтому купить автомат для однофазки 220В, это не то же самое что для трехфазки 380В. Подберете неправильно и ждите последствий при первом же КЗ:

• пожар и выгорание корпуса

• ненормальный гул при последующем включении, если автомат все таки «выжил»

• неселективная работа или спекание контактов

Хорошо, если он у вас вообще отключится. Фактически выключатель в таком случае превращается в предохранитель.

Вот только стоимость его в разы отличается от простейших устройств с плавкими вставками. Спрашивается, стоило ли переплачивать?

Селективность

Cat A или Cat B — категория применения в отношении селективности.

Cat A — это обычный автомат. Cat B — это селективный выключатель, который ставится в разветвленных сетях для обеспечения селективности защит.

Грубо говоря, чтобы при КЗ отключался только автомат какой-то конкретной линии, а не главный ввод всей цепочки.

Например, у вас в квартире стоит вводной автоматический выключатель, плюс еще один установлен на лестничной площадке. Даже если номинал автомата в подъезде или лестничной клетке больше, то нет никаких гарантий, что в случае серьезного КЗ сработает тот аппарат, который смонтирован в квартирном щитке.

Чаще всего отрабатывают оба. А представьте, что второй аппарат смонтирован не сразу за дверью, а в щитовой подвала, да еще и под замком? Бывает и такое.

Поэтому в таких ситуациях для ответственных объектов не помешает раскошелиться и применить селективные аппараты.

Ну и конечно в обязательном порядке их нужно ставить в медицинских учреждениях. Дабы какая-нибудь уборщица тетя Глаша, замкнув мокрой тряпкой розетку в подсобке, случайно не обесточила полбольницы вместе с операционной.

Момент затяжки

На корпусе качественного автоматического выключателя также указывается номинальный момент затяжки контактных клемм.

Только соблюдая его, вы гарантировано надежно подключите провода.

QR код

Отдельные модели нередко снабжаются QR кодом. Он у каждого экземпляра индивидуален.

Благодаря этому, имея под рукой сотовый телефон, вы прямо в магазине легко сможете проверить оригинальный перед вами товар или подделка. Это к вопросу о том, как отличить настоящие автоматы ABB от китайских фальшивок.

Схема и типы защит

Еще на корпусе рисуется условная схема, где нарисованы типы защит, установленные в автомате.

Полукруг — электромагнитный расцепитель. Прямоугольничек — тепловой.

Как это не странно, но есть автоматические выключатели без теплового расцепителя. Они служат для защиты электродвигателей с тепловыми реле. Их применяют в системах дымоудаления и подключают к ним кабели, способные выдерживать значительный перегрев.

Это особое требование пожаробезопасности для обеспечения длительной работоспособности устройств, при высоких окружающих температурах. Будь «теплушка» в таких выключателях, они бы срабатывали раньше времени, ухудшая сценарий развития пожара.

Дополнительную маркировку, относящуюся к устройствам дифференциальной защиты или отдельным видам реле, ищите по специализированным каталогам. Всю информацию по маркировке модульных пускателей и контакторов, читайте в статье ниже.

Как видите, даже на нескольких квадратных сантиметрах можно разместить огромное количество полезных данных, на основании которых и следует делать грамотный выбор электрооборудования.

Маркировка автоматических выключателей: значение и расшифровка

Автоматический выключатель – это контактное коммутационное устройство, которое служит в целях защиты электросети от сверхтоков, то есть от коротких замыканий и перегрузок. Для того, чтобы кабельные сети находились в рабочем состоянии, важно подойти к вопросу выбора автоматического выключателя с особым вниманием. Эта статья поможет разобраться, на какие критерии стоит обращать внимание при покупке АВ.

Корпус автоматического выключателя включает массу полезной информации. Если вы будете знать все указанные на нём обозначения, значит сможете многое узнать о конкретной модели АВ и выбрать качественное устройство, подходящее именно вам.

• 
  Фирма-производитель. В верхней части устройства размещается логотип компании или её наименования. Для этого обозначения зачастую выбирается более насыщенный цвет, который нередко совпадает с цветом рычага управления. Маркировка автоматов производится по единым правилам и стандартам. 

• 
  Серия выключателя значится после названия компании. Она состоит из буквенно-числового сочетания и даёт возможность распознать автоматический выключатель среди всего ассортимента, выпускаемого компанией. 

• 
  Номинальный ток автомата – это одна из самых важных маркировок. Обозначает протекающую по автомату величину тока, которая функционирует без ограничения времени при +30 С (чем больше температура – тем ниже значение номинального тока). Первая буква показывает времятоковую характеристику, а следующая за буквой цифра – значение номинального тока.

      Есть пять основных типов времятоковых характеристик: «В», «С», «D», «K», «Z». Самые распространенные из них – «B», «C», «D». Ориентируясь на эти буквы, вы сможете понять, как сработает электромагнитная защита при КЗ, проходящим через автомат. 

Характеристика «B» означает, что автомат гарантирует моментальное расцепление при протекании через него тока в 3-5 раз превышающего его номинальный ток, «С» – в 5-10 раз, а «D» – в 10-20 раз соответственно. Ни в коем случае нельзя использовать устройство, если его номинальный ток превышает величину, предусмотренную проектом. Как правило, по умолчанию выбирают универсальные автоматические выключатели типа C, тип B предназначен для бытовых приборов и освещения, тип D чаще применяется в индивидуальных жилых домах. 

• 
  Напряжение. Эта маркировка указывается в двух значениях: для однофазной электрической сети или для трехфазной электрической сети. Эта величина обозначается в вольтах (V) с указанием типа напряжения: «~» – переменное или «-» – постоянное. Например, маркировка в виде: «230/400V» расшифровывается так: автомат предназначается для электросети, имеющей одну фазу и напряжение 230 вольт, а также для электрической цепи, обладающей тремя фазами и напряжением 400 вольт.

• 
  Отключающая способность – это максимальный ток, который способен пропустить автомат при коротком замыкании в линии, сохранив при этом дальнейшую работоспособность. Обозначается в амперах «4500А» или «6000А». Это означает, что если на нагрузке или на кабеле по которому она питается, ток будет выше указанного показателя, то контакты устройства могут разрушиться или свариться между собой.

• 
  Класс токоограничения – время от момента начала размыкания силовых контактов автоматического выключателя до момента полного гашения электрической дуги в дугогасительной камере. Есть три класса токоограничителя, которые указываются в черном квадрате. Чем выше класс, тем быстрее отключится автомат. Деления по классам: 1 класс – ограничение > 10 мс; 2 класс – от 6 до 10 мс; 3 класс – от 2,5 до 6 мс.

• 
  ГОСТ и стандарты. Маркировка, показывающая соответствие государственному стандарту, который формулирует требования государства к качеству продукции и предписывает сферу использования того или иного устройства. Например, «ГОСТ Р 50345» означает, что автоматический выключатель может использоваться только в бытовых и схожих условиях. А «ГОСТ Р500030.2» подходит только для промышленного рынка – такие аппараты разрешается применять только квалифицированным сотрудникам. Таким образом, согласно стандарту ГОСТ, классификация выключателей осуществляется по двенадцати позициям, однако при подборе автомата для бытовых целей, этот перечень можно сократить до 4-5 пунктов: полюсность, рабочее напряжение, номинальный ток, класс срабатывания и ток короткого замыкания.

• Напряжение импульсное, изоляция и степень загрязнения. «Uimp» означает номинальное импульсное удерживаемое напряжение. Например, «6kV». Это пиковое значение импульсного напряжения заданной формы и полярности, которое может выдержать аппарат. Оно должно быть не ниже указанных значений переходного перенапряжения, возможных в системе, в которую входит аппарат. Ui характеризует номинальное напряжение изоляции. Например, «500V». Это установленное изготовителем значение напряжения, при котором определяется испытательное напряжение при испытании изоляции и расстояния утечки устройства защитного отключения. Deg3 – это степень загрязнения с присутствием проводящего или сухого непроводящего загрязнения, которое может стать токопроводящим в случае появления конденсации.

• 
  Наибольшая отключающая способность – это значение предельной наибольшей отключающей способности, установленное изготовителем для конкретного устройства при соответствующем номинальном рабочем напряжении в условиях, определяемых циклом испытаний. Эту маркировку ставят не все производители, хотя именно это значение позволяет оценить возможность применения коммутационного аппарата при различном номинальном напряжении. Обозначается «Ics/Icu и Icu». Простыми словами: если ток короткого замыкания будет равен указанной на корпусе устройства цифре под «Icu», то выключатель сможет выполнить своё назначение только единожды. В том случае, если ток КЗ будет равен параметру «Ics/Icu», то автоматом можно пользоваться и дальше.

• 
  Селективность – это способность отключения только аварийной линии, без отключения вышестоящего (вводного) выключателя. На устройстве обозначается «Cat A» или «Cat B». Cat A – это обычный автомат. Cat B – это селективный выключатель, устанавливающийся в разветвленных сетях для снабжения селективности защит. Именно эта функция способствует предупреждению аварийных ситуаций и является одним из ключевых моментов в обеспечении надежной работы электрической цепи.

• 
  Момент затяжки. На корпус качественного выключателя включает информацию о номинальном моменте затяжки контактных клемм. Момент затяжки может обозначаться, например «0.4 Hm», «2.0 Hm». Это очень важный параметр, который позволит не испортить оборудование и применить динамометрические отвертку нужного диаметра.

• 
  Определённые производители маркируют приборы QR кодами, которые показывают полную характеристику данного электротехнического изделия. Оборудование с кодом вы сможете проверить прямо в магазине с помощью мобильного телефона, тем самым определив его оригинальность.

• 
  Графическая схема: эта маркировка автоматических выключателей несет полезную информацию о принципе работы устройства и способе его подключения. Обычно на схеме изображают электрическую цепь с наглядной схемой подключения контактов или типами защит, установленных в автомате. Полукруг обозначает электромагнитный расцепитель, а прямоугольник — тепловой.

Как выбрать автоматический выключатель?

Существуют два основных критерия выбора АВ. Первый основывается на исполнении АВ своей главной функциональной особенности – обеспечения защиты электрических цепей от перегрузки по току с заданными характеристиками, второй – на соотношении цена/качество, а также выбранного типа АВ.

1. 
   Определите количество выключателей. Для этого вам нужно знать число силовых цепей в помещении.

2. 
   Выберете полюсность и рабочее напряжение. По числу полюсов автоматы делят на однополюсные (стоит в цепи и защищает один провод, одну фазу), двухполюсные (два однополюсных автомата, с объединенным выключателем), трехполюсные (предназначены для разрыва и защиты трехфазных цепей) и четырехполюсные.

3. 
   Определите безопасный для вашей проводки номинальный ток

4. 
   Подберите класс тока срабатывания (отключения)

5. 
   Определите ток короткого замыкания для отдельно стоящего дома или гаража

6. 
   Проверьте наличие ошибок. Ошибки могут быть двух видов: несоответствие автоматического выключателя показателям вашей сети (полюсность, напряжение) и выбор неправильных рабочих характеристик.

Общие рекомендации по выбору устройства     

• 
  Прочность – важный критерий, которым нельзя пренебрегать при выборе автоматического выключателя. Корпус должен быть целостным, без сколов, дефектов или трещин, которые могут стать причиной поломки. Кроме того, такие механические повреждения служат признаком материала низкого качества.

• 
  Количество полюсов автоматического выключателя выбирается исходя из числа защищаемых электрических цепей. Для однофазной цепи обычно применяются двухполюсные, для трехфазных – трех и четырехполюсные.

• 
  Делать покупку рекомендуется в специализированном магазине.

• 
  Выбирать стоит среди продукции проверенных брендов, давно зарекомендовавших себя на российском рынке.

В первую очередь, именно от правильного выбора автоматических выключателей зависят безопасные условия эксплуатации всей электрической сети или ее отдельных участков и приборов, которые к ней подключаются.

Введение в машинное обучение | Coursera

Об этом курсе

75 957 недавних просмотров

Этот курс даст вам базовое понимание моделей машинного обучения (логистическая регрессия, многослойные персептроны, сверточные нейронные сети, обработка естественного языка и т. д.), а также продемонстрирует, как эти модели может решать сложные задачи в самых разных отраслях, от медицинской диагностики до распознавания изображений и прогнозирования текста. Кроме того, мы разработали практические упражнения, которые дадут вам практический опыт реализации этих моделей науки о данных в наборах данных. Эти практические упражнения научат вас, как реализовать алгоритмы машинного обучения с помощью PyTorch, библиотек с открытым исходным кодом, используемых ведущими технологическими компаниями в области машинного обучения (например, Google, NVIDIA, CocaCola, eBay, Snapchat, Uber и многими другими).

Результаты карьеры учащегося

Преимущество карьеры

10%

Получили ощутимую пользу для карьеры от этого курса

Гибкие сроки

Гибкие сроки

Сброс сроков в соответствии с вашим графиком.

Общий сертификат

Общий сертификат

Получите сертификат по завершении

100% онлайн

100% онлайн

Начните сразу и учитесь по собственному графику.

Средний уровень

Средний уровень

Часов на прохождение

Прибл. 26 часов

Доступные языки

Английский

Субтитры: арабский, французский, португальский (европейский), итальянский, вьетнамский, немецкий, русский, английский, испанский

Карьерные результаты учащегося

Карьерные преимущества

10%

сделали реальную карьеру пользу от этого курса

Гибкие сроки

Гибкие сроки

Сброс сроков в соответствии с вашим графиком.

Общий сертификат

Общий сертификат

Получение сертификата по завершении

100 % онлайн

100 % онлайн

Начните сразу и учитесь по собственному расписанию.

Средний уровень

Средний уровень

Часов на прохождение

Прибл. 26 часов

Доступные языки

Английский

Субтитры: арабский, французский, португальский (европейский), итальянский, вьетнамский, немецкий, русский, английский, испанский Электротехника и вычислительная техника

Electrical and Computer Engineering

170,435 Learners

1 Course

David Carlson

Assistant Professor of Civil and Environmental Engineering

Civil and Environmental Engineering/Biostatistics and Bioinformatics

170,435 Learners

1 Курс

Тимоти Данн

Постдокторант

Департамент статистических наук; Отделение нейрохирургии

170,435 Learners

1 Course

Kevin Liang

PhD Candidate

Electrical and Computer Engineering Department

170,435 Learners

1 Course

Offered by

Duke University

Университет Дьюка насчитывает около 13 000 студентов и аспирантов, а также профессорско-преподавательский состав мирового класса, помогающий расширять границы знаний. Университет твердо привержен применению знаний на благо общества как рядом с кампусом в Северной Каролине, так и по всему миру.

Reviews

4.7

Filled StarFilled StarFilled StarFilled StarHalf Filled Star

752 reviews

• 5 stars

  74.66%

• 4 stars

  20.66%

• 3 stars

  2.77%

• StarFilled StarFilled StarFilled 2 звезды

  0,65 %

• 1 звезда

  1,24 %0004 от ST 12 мая 2021 г.

  очень полезный курс, и все преподаватели очень опытны, а их метод обучения также прост, но очень полезен. Я счастлив пройти этот курс.

  Спасибо…..

  Шивам Тьяги

  Наполненная звездами Наполненная звездами Наполненная звездами Наполненная звездами Наполненная звездами

  от JBM12 мая 2021 г.

  Большое спасибо! Этот курс такой удивительный и дает больше знаний о том, насколько важно или важно машинное обучение. Большое спасибо за этот курс, который вы предлагаете.

  Заполнено StarFilled StarFilled StarFilled StarStar

  от GSM 6 мая 2021 г.

  Упражнения — слишком большая игрушка для людей, которые уже имеют определенные знания в области машинного обучения, и не предназначены для студентов, у которых нет опыта решения задач машинного обучения.

  Filled StarFilled StarFilled StarFilled StarFilled Star

  от GC9 июля 2019 г.

  Очень хороший вводный курс, я настоятельно рекомендую его всем, кто хочет получить представление о методах, лежащих в основе последних достижений в области ИИ, не вдаваясь в сверхтехнические детали.

  Посмотреть все отзывы

  Часто задаваемые вопросы

  • Когда я получу доступ к лекциям и заданиям?

  • Что я получу, купив сертификат?

  • Доступна ли финансовая помощь?

  Есть вопросы? Посетите Справочный центр для учащихся.

  Классификация в машинном обучении: что это такое и модели классификации [обновлено]

  Представьте, что вы открываете шкаф и видите, что все в нем перемешано. Вам будет очень трудно и долго брать то, что вам нужно. Если бы все было сгруппировано, было бы так просто. Это то, что делают алгоритмы классификации машинного обучения.

  Что такое алгоритм классификации?

  Алгоритм классификации, основанный на обучающих данных, представляет собой технику контролируемого обучения, используемую для категоризации новых наблюдений. При классификации программа использует предоставленный набор данных или наблюдения, чтобы научиться классифицировать новые наблюдения по различным классам или группам. Например, 0 или 1, красный или синий, да или нет, спам или не спам и т. д. Цели, метки или категории могут использоваться для описания классов. Алгоритм классификации использует помеченные входные данные, поскольку он представляет собой метод контролируемого обучения и включает в себя входную и выходную информацию. Дискретная выходная функция (y) передается входной переменной в процессе классификации (x).

  Проще говоря, классификация — это тип распознавания образов, при котором алгоритмы классификации выполняются на обучающих данных для обнаружения того же шаблона в новых наборах данных.

  Учащиеся в задачах классификации

  Есть два типа учащихся.

  • Ленивые ученики

  Сначала он сохраняет обучающий набор данных, а затем ожидает прибытия тестового набора данных. При использовании ленивого ученика классификация выполняется с использованием наиболее подходящих данных обучающего набора данных. Меньше времени тратится на обучение, но больше на прогнозы. Некоторые из примеров — рассуждения на основе прецедентов и алгоритм KNN.

  • Страстные ученики

  Перед получением тестового набора данных активные учащиеся создают модель классификации, используя обучающий набор данных. Они тратят больше времени на изучение и меньше времени на предсказания. Некоторыми примерами являются ANN, наивный байесовский алгоритм и деревья решений.

  Теперь давайте обсудим четыре типа задач классификации в машинном обучении.

  4 типа задач классификации в машинном обучении

  Прежде чем углубиться в четыре типа задач классификации в машинном обучении, давайте сначала обсудим прогнозное моделирование классификации.

  Прогнозное моделирование классификации

  Задача классификации в машинном обучении — это проблема, в которой метка класса ожидается для конкретного примера входных данных.

  Проблемы с категоризацией включают следующее:

  • Приведите пример и укажите, спам это или нет.
  • Определите рукописный символ как один из распознаваемых символов.
  • Определите, следует ли помечать текущее поведение пользователя как отток.

  Для классификации с точки зрения моделирования необходим обучающий набор данных с многочисленными примерами входных и выходных данных.

  Модель определит оптимальный способ сопоставления выборок входных данных с определенными метками классов с использованием обучающего набора данных. Таким образом, обучающий набор данных должен содержать большое количество образцов каждой метки класса и должным образом представлять проблему.

  При предоставлении меток классов для алгоритма моделирования строковые значения, такие как «спам» или «не спам», должны быть сначала преобразованы в числовые значения. Часто используемое кодирование метки присваивает каждой метке класса отдельное целое число, например, «спам» = 0, «нет спама» = 1,9.0005

  Существует множество разновидностей алгоритмов классификации в задачах моделирования, включая прогностическое моделирование и классификацию.

  Обычно рекомендуется, чтобы практикующий специалист провел контролируемые тесты, чтобы определить, какой алгоритм и конфигурация алгоритма обеспечивают наибольшую производительность для определенной задачи классификации, поскольку нет надежной теории о том, как сопоставлять алгоритмы с типами задач.

  На основе их результатов оцениваются алгоритмы прогнозного моделирования классификации. Общей статистикой для оценки производительности модели на основе спроецированных меток классов является точность классификации. Хотя точность классификации не идеальна, она является разумным началом для многих задач по классификации.

  Некоторые задачи могут требовать предсказания вероятности принадлежности к классу для каждого примера, а не меток классов. Это добавляет больше неопределенности прогнозу, который впоследствии может интерпретировать пользователь или приложение. Кривая ROC — популярная диагностика для оценки ожидаемых вероятностей.

  В машинном обучении существует четыре различных типа задач классификации, и они следующие:

  • Двоичная классификация
  • Многоклассовая классификация
  • Многоуровневая классификация
  • Несбалансированная классификация

  Теперь давайте подробно рассмотрим каждый из них.

  Бинарная классификация

  Задания классификации только с двумя метками класса называются бинарной классификацией.

  Примеры включают —

  • Прогноз конверсии (купить или нет).
  • Прогноз оттока (отток или нет).
  • Обнаружение нежелательной почты (спам или нет).

  Для задач бинарной классификации часто требуется два класса, один из которых представляет нормальное состояние, а другой представляет аберрантное состояние.

  Например, нормальное состояние — «не спам», а ненормальное — «спам». Другой пример: задача, связанная с медицинским тестом, имеет нормальное состояние «рак не выявлен» и ненормальное состояние «рак обнаружен».

  Метка класса 0 присваивается классу в нормальном состоянии, тогда как метка класса 1 присваивается классу в ненормальном состоянии.

  Модель, которая прогнозирует распределение вероятностей Бернулли для каждого случая, часто используется для представления задачи бинарной классификации.

  Дискретное распределение вероятностей, известное как распределение Бернулли, имеет дело с ситуацией, когда событие имеет двоичный результат либо 0, либо 1. С точки зрения классификации это означает, что модель прогнозирует вероятность того, что пример попадет в класс 1, или ненормальное состояние.

  Хорошо известны следующие алгоритмы бинарной классификации:

  • Логистическая регрессия
  • Машины опорных векторов
  • Простой Байес
  • Деревья решений

  Некоторые алгоритмы, такие как машины опорных векторов и логистическая регрессия, были созданы специально для бинарной классификации и по умолчанию не поддерживают более двух классов.

  Давайте теперь обсудим многоклассовую классификацию.

  Многоклассовая классификация

  Мультиклассовые метки используются в задачах классификации, называемых мультиклассовой классификацией.

  Примеры включают —

  • Категоризация лиц.
  • Классификация видов растений.
  • Распознавание символов с помощью оптики.

  Мультиклассовая классификация не имеет представления о нормальных и ненормальных исходах, в отличие от бинарной классификации. Вместо этого экземпляры группируются в один из нескольких хорошо известных классов.

  В некоторых случаях количество меток классов может быть довольно большим. Например, в системе распознавания лиц модель может предсказать, что снимок принадлежит одному из тысяч или десятков тысяч лиц.

  Модели перевода текста и другие задачи, связанные с предсказанием слов, можно отнести к частному случаю многоклассовой классификации. Каждое слово в последовательности слов, которые необходимо предсказать, требует многоклассовой классификации, где размер словаря определяет количество возможных классов, которые могут быть предсказаны, и может варьироваться от десятков тысяч до сотен тысяч слов.

  Задачи мультиклассовой классификации часто моделируются с использованием модели, которая прогнозирует распределение вероятности Мультинулли для каждого примера.

  Событие, имеющее категориальный исход, например K из 1, 2, 3,…, K, покрывается распределением Мультинулли, которое представляет собой дискретное распределение вероятностей. С точки зрения классификации это означает, что модель прогнозирует вероятность того, что данный пример будет принадлежать к определенной метке класса.

  Для многоклассовой классификации применимы многие методы бинарной классификации.

  Для многоклассовой классификации можно использовать следующие известные алгоритмы:

  • Прогрессивное усиление
  • Деревья выбора
  • Ближайшие K соседей
  • Неровный лес
  • Простой Байес

  Многоклассовые задачи можно решать с помощью алгоритмов, созданных для бинарной классификации.

  Для этого используется метод, известный как «один против остальных» или «одна модель для каждой пары классов», который включает сопоставление нескольких моделей бинарной классификации с каждым классом со всеми другими классами (называемыми против одного).

  • Один против одного: для каждой пары классов подберите одну модель бинарной классификации.

  Следующие алгоритмы двоичной классификации могут применять эти методы многоклассовой классификации:

  • One-VS-Rest: Подберите единую модель бинарной классификации для каждого класса по сравнению со всеми другими классами.

  Следующие алгоритмы двоичной классификации могут применять эти методы многоклассовой классификации:

  • Машина опорных векторов
  • Логистическая регрессия

  Давайте теперь узнаем о классификации с несколькими метками.

  Многоуровневая классификация

  Проблемы классификации с несколькими метками — это задачи, которые имеют две или более метки классов и позволяют прогнозировать одну или несколько меток классов для каждого примера.

  Подумайте о примере классификации фотографий. Здесь модель может предсказать наличие на фотографии многих известных вещей, таких как «человек», «яблоко», «велосипед» и т. д. На конкретной фотографии может быть несколько объектов в сцене.

  Это сильно отличается от многоклассовой классификации и бинарной классификации, которые предполагают использование одной метки класса для каждого случая.

  Проблемы классификации с несколькими метками часто моделируются с использованием модели, которая прогнозирует множество результатов, причем каждый результат прогнозируется как распределение вероятностей Бернулли. По сути, этот подход предсказывает несколько бинарных классификаций для каждого примера.

  Невозможно напрямую применить методы классификации с несколькими метками, используемые для многоклассовой или бинарной классификации. Так называемые версии алгоритмов с несколькими метками, которые являются специализированными версиями обычных алгоритмов классификации, включают:

  • Multi-label Gradient Boosting
  • Случайные леса с несколькими метками
  • Деревья решений с несколькими метками

  Другая стратегия заключается в прогнозировании меток классов с использованием другого алгоритма классификации.

  Теперь мы подробно рассмотрим задачу несбалансированной классификации.

  Несбалансированная классификация

  Термин «несбалансированная классификация» описывает классификационные задания, в которых распределение примеров внутри каждого класса неодинаково.

  Большинство экземпляров обучающего набора данных принадлежат к нормальному классу, а меньшинство принадлежит к аномальному классу, что делает несбалансированные задачи классификации в целом задачами бинарной классификации.

  Примеры включают —

  • Клинические диагностические процедуры
  • Обнаружение выбросов
  • Расследование мошенничества

  Хотя им могут потребоваться уникальные методы, эти проблемы моделируются как задания бинарной классификации.

  Путем избыточной выборки класса меньшинства или недостаточной выборки класса большинства можно использовать специальные стратегии для изменения состава выборки в обучающем наборе данных.

  Примеры включают —

  • SMOTE Передискретизация
  • Случайная недостаточная выборка

  Можно использовать специализированные методы моделирования, такие как экономичные алгоритмы машинного обучения, которые уделяют больше внимания классу меньшинств при подгонке модели к набору обучающих данных.

  Примеры включают:

  • Недорогие машины опорных векторов
  • Чувствительные к стоимости деревья решений
  • Логистическая регрессия с учетом затрат

  Поскольку сообщение о точности классификации может быть обманчивым, могут потребоваться альтернативные индикаторы эффективности.

  Примеры включают —

  • F-мера
  • Отзыв
  • Точность

  Теперь мы обсудим типы алгоритмов классификации машинного обучения.

  Типы алгоритмов классификации

  Вы можете применять множество различных методов классификации на основе набора данных, с которым вы работаете. Это так, потому что изучение классификации в статистике обширно. Ниже перечислены пять лучших алгоритмов машинного обучения.

  1. Логистическая регрессия

  Это метод классификации обучения с учителем, который прогнозирует вероятность целевой переменной. Выбор будет только между двумя классами. Данные могут быть закодированы как единица или да, что означает успех, или как 0 или нет, что означает неудачу. Зависимая переменная может быть предсказана наиболее эффективно с помощью логистической регрессии. Когда прогноз является категоричным, например, истинным или ложным, да или нет, или 0 или 1, вы можете его использовать. Чтобы определить, является ли электронное письмо спамом, можно использовать метод логистической регрессии.

  2. Наивные прощания

  Наивный байесовский метод определяет, попадает ли точка данных в определенную категорию. Его можно использовать для классификации фраз или слов в текстовом анализе как подпадающих под заранее определенную классификацию, так и не подпадающих под нее.

  Текст	Тег
  «Отличная игра»	Спорт
  «Выборы окончены»	Не спортивный
  «Какой отличный результат»	Спорт
  «Чистая и незабываемая игра»	Спорт
  «Победитель конкурса правописания стал сюрпризом»	Не спортивный

  3. K-ближайшие соседи

  Вычисляет вероятность того, что точка данных присоединится к группам, исходя из того, частью какой группы являются ближайшие к ней точки данных. При использовании k-NN для классификации вы определяете, как классифицировать данные в соответствии с ближайшим соседом.

  4. Дерево решений

  Дерево решений является примером контролируемого обучения. Хотя он может решать проблемы регрессии и классификации, он превосходен в задачах классификации. Подобно блок-схеме, он делит точки данных на две похожие группы одновременно, начиная со «ствола дерева» и переходя через «ветви» и «листья», пока категории не станут более тесно связаны друг с другом.

  5. Алгоритм случайного леса

  Алгоритм случайного леса является расширением алгоритма дерева решений, в котором вы сначала создаете несколько деревьев решений, используя обучающие данные, а затем вписываете свои новые данные в одно из созданных «деревьев» в качестве «случайного леса». Он усредняет данные, чтобы связать их с данными ближайшего дерева на основе шкалы данных. Эти модели отлично подходят для решения проблемы дерева решений, связанной с ненужным размещением точек данных внутри категории.

  6. Машина опорных векторов

  Метод опорных векторов

  — это популярный метод контролируемого машинного обучения для задач классификации и регрессии. Он выходит за рамки предсказания X/Y, используя алгоритмы для классификации и обучения данных в соответствии с полярностью.

  Типы алгоритмов классификации машинного обучения

  1. Подход к обучению под наблюдением

   Подход к обучению с учителем явно обучает алгоритмы под пристальным наблюдением человека. И входные, и выходные данные сначала предоставляются алгоритму. Затем алгоритм разрабатывает правила, которые сопоставляют входные данные с выходными. Процедура обучения повторяется, как только достигается наивысший уровень производительности.

  Два типа подходов к контролируемому обучению:

  • Регрессия
  • Классификация

  2. Обучение без учителя

  Этот подход применяется для изучения внутренней структуры данных и извлечения из нее полезной информации. Этот метод ищет идеи, которые могут дать лучшие результаты, ища закономерности и идеи в неразмеченных данных.

  Существует два типа обучения без учителя:

  • Кластеризация
  • Уменьшение размерности

  3.

  Обучение под наблюдением

  Полууправляемое обучение находится где-то между обучением без учителя и обучением с учителем. Он сочетает в себе наиболее важные аспекты обоих миров, чтобы обеспечить уникальный набор алгоритмов.

  4. Обучение с подкреплением

  Целью обучения с подкреплением является создание автономных, самосовершенствующихся алгоритмов. Цель алгоритма — самосовершенствоваться посредством непрерывного цикла проб и ошибок, основанного на взаимодействиях и комбинациях между поступающими и помеченными данными.

  Классификация моделей

  • Наивный Байес: Наивный Байес — это алгоритм классификации, который предполагает, что предикторы в наборе данных независимы. Это означает, что он предполагает, что функции не связаны друг с другом. Например, если дать банан, классификатор увидит, что плод желтого цвета, продолговатой формы, длинный и заостренный. Все эти признаки независимо влияют на вероятность того, что это банан, и не зависят друг от друга. Наивный Байес основан на теореме Байеса, которая задается как:

  Рисунок 3: Теорема Байеса

           Где :

           P(A | B) = как часто происходит, учитывая, что происходит B

           P(A) = вероятность наступления события A

           P(B) = вероятность того, что B произойдет

           P(B | A) = как часто происходит B при условии, что происходит A

  • Деревья решений. Дерево решений — это алгоритм, который используется для визуального представления процесса принятия решений. Дерево решений можно составить, задав вопрос «да/нет» и разделив ответ, чтобы получить другое решение. Вопрос находится в узле, и он размещает полученные решения ниже, на листьях. Дерево, изображенное ниже, используется, чтобы решить, можем ли мы играть в теннис.

                                            Рисунок 4: Дерево решений

  На приведенном выше рисунке, в зависимости от погодных условий, влажности и ветра, мы можем систематически решать, играть нам в теннис или нет. В деревьях решений все ложные утверждения лежат слева от дерева, а истинные утверждения ответвляются вправо. Зная это, мы можем построить дерево, в узлах которого будут признаки, а в листьях — результирующие классы.

  • K-ближайшие соседи: K-ближайшие соседи — это алгоритм классификации и прогнозирования, который используется для разделения данных на классы на основе расстояния между точками данных. K-ближайший сосед предполагает, что точки данных, которые находятся близко друг к другу, должны быть похожими, и, следовательно, точка данных, подлежащая классификации, будет сгруппирована с ближайшим кластером.

  Рисунок 5: Данные, подлежащие классификации

                 

                                       Рис. 6. Классификация с использованием K-ближайших соседей 

  Оценка модели классификации

  После того, как наша модель завершена, мы должны оценить ее производительность, чтобы определить, является ли она регрессионной или классификационной моделью. Итак, у нас есть следующие варианты оценки модели классификации:

  1. Матрица путаницы

  • Матрица путаницы описывает производительность модели и дает нам матрицу или таблицу в качестве выходных данных.
  • Матрица ошибок — это другое название.
  • Матрица состоит из результатов прогнозов в сжатом виде вместе с общим количеством правильных и неправильных предположений.

  Матрица приведена в следующей таблице:

  	Фактическое положительное значение	Фактическое отрицательное значение
  Прогнозируемый положительный результат	Истинно положительный	Ложное срабатывание
  Прогнозируемый отрицательный результат	Ложноотрицательный результат	Истинный отрицательный результат

  Точность = (TP+TN)/Общая численность населения

  2.

  Потеря журнала или кросс-энтропийная потеря

  • Он используется для оценки производительности классификатора, а выход представляет собой значение вероятности от 1 до 0.
  • Успешная модель двоичной классификации должна иметь значение потери журнала, близкое к 0.
  • Если ожидаемое значение отличается от фактического значения, увеличивается значение потери журнала.
  • Чем меньше логарифмических потерь, тем выше точность модели.

  Кросс-энтропия для бинарной классификации может быть рассчитана как: 

  (ylog(p)+(1?y)log(1?p))

  Где p = прогнозируемый выход, y = фактический выход.

  3. Кривая AUC-ROC

  • AUC означает площадь под кривой, а ROC означает кривую рабочих характеристик приемника.
  • Это график, отображающий производительность модели классификации при различных пороговых значениях.
  • Кривая AUC-ROC используется, чтобы показать, насколько хорошо работает модель классификации с несколькими классами.
  • TPR и FPR используются для построения кривой ROC с истинно положительными показателями (TPR) на оси Y и FPR (ложноположительными показателями) на оси X.

  Теперь давайте обсудим варианты использования алгоритмов классификации.

  Варианты использования алгоритмов классификации

  Существует много приложений для алгоритмов классификации. Вот некоторые из них

  • Распознавание речи
  • Обнаружение спама
  • Классификация наркотиков
  • Идентификация раковых опухолевых клеток
  • Биометрическая аутентификация и т. д.

  Оценка классификатора

  Оценка для проверки точности и эффективности классификатора является наиболее важным шагом после его завершения. Мы можем оценить классификатор различными способами. Давайте рассмотрим эти методы, которые изложены ниже, начиная с перекрестной проверки.

  Перекрестная проверка

  Самая заметная проблема с большинством моделей машинного обучения — чрезмерная подгонка. Можно проверить переоснащение модели с помощью перекрестной проверки K-кратности.

  С помощью этого метода набор данных случайным образом делится на k одинаковых по размеру взаимоисключающих подмножеств. Один сохраняется для тестирования, а другие используются для обучения модели. Для каждой из k складок выполняется та же процедура.

  Метод удержания

  Этот подход чаще всего используется для оценки классификаторов. Согласно этому методу данный набор данных разбивается на тестовый набор и набор поездов, каждый из которых включает 20% и 80% от общего объема данных.

  Невидимый тестовый набор используется для оценки способности данных прогнозировать после того, как они были обучены с использованием обучающего набора.

  ROC-кривая

  Для визуального сравнения моделей классификации используется ROC-кривая, также известная как рабочие характеристики приемника. Он иллюстрирует корреляцию между процентом ложноположительных результатов и процентом истинно положительных результатов. Точность модели определяется площадью под ROC-кривой.

  Смещение и отклонение

  Смещение — это разница между нашими фактическими и прогнозируемыми значениями. Смещение — это простые предположения, которые наша модель делает о наших данных, чтобы иметь возможность прогнозировать новые данные. Это напрямую соответствует закономерностям, обнаруженным в наших данных. Когда смещение высокое, предположения, сделанные нашей моделью, слишком базовые, модель не может отразить важные особенности наших данных, это называется недообучением.

                                                  Рис. 7. Смещение

  Мы можем определить дисперсию как чувствительность модели к колебаниям данных. Наша модель может учиться на шуме. Это заставит нашу модель считать тривиальные функции важными. Когда дисперсия высока, наша модель захватит все характеристики предоставленных ей данных, настроится на данные и очень хорошо предскажет их, но новые данные могут не иметь точно таких же характеристик, и модель не будет в состоянии предсказать на нем очень хорошо. Мы называем это переоснащением.

                                                Рисунок 8. Пример отклонения 

  Точность и отзыв

  Точность используется для расчета способности модели правильно классифицировать значения. Он определяется путем деления количества правильно классифицированных точек данных на общее количество классифицированных точек данных для этой метки класса.

  Где :

  TP = True Positives, когда наша модель правильно классифицирует точку данных по классу, к которому она принадлежит.

  FP = ложные срабатывания, когда модель ошибочно классифицирует точку данных.

  Recall используется для расчета способности режима прогнозировать положительные значения. Но «Как часто модель предсказывает правильные положительные значения?». Это рассчитывается по соотношению истинных положительных значений и общего количества фактических положительных значений.

  Теперь давайте посмотрим на выбор алгоритма.

  Выбор алгоритма

  В дополнение к стратегии, описанной выше, мы можем применить перечисленные ниже процедуры для выбора оптимального алгоритма для модели.

  • Прочтите информацию.
  • На основе наших независимых и зависимых функций и создавать зависимые и независимые наборы данных.
  • Создайте наборы данных для обучения и тестирования.
  • Используйте множество алгоритмов для обучения модели, включая SVM, дерево решений, KNN и т. д.
  • Рассмотрим классификатор.
  • Выберите наиболее точный классификатор.

  Точность — это лучший способ сделать вашу модель эффективной, даже если выбор оптимального алгоритма для вашей модели может занять больше времени, чем необходимо.

  Наши учащиеся также спрашивали

  1. Что такое алгоритм классификации, на примере?

  Классификация включает прогнозирование метки класса для конкретного примера входных данных. Например, он может определить, является ли код спамом. Он может классифицировать почерк, если он состоит из одного из известных символов.

  2. Каков наилучший алгоритм классификации?

  По сравнению с другими алгоритмами классификации, такими как логистическая регрессия, машины опорных векторов и регрессия решений, алгоритм наивного байесовского классификатора дает лучшие результаты.

  3. Какой самый простой алгоритм классификации?

  Одним из самых простых методов классификации является kNN.

  4. Классификатор или алгоритм в машинном обучении?

  Техника или набор рекомендаций, которые компьютеры используют для категоризации данных, известна как классификатор. Когда дело доходит до модели классификации, это результат классификаторов ML. Классификатор используется для обучения модели, которая затем классифицирует ваши данные.

  5. Что такое классификация и виды?

  Классификация — это категория или подразделение в системе, которая классифицирует или организует объекты по группам или типам. Вы можете столкнуться со следующими четырьмя категориями задач классификации: бинарная, многоклассовая, многоуровневая и несбалансированная классификация.