xgboost-CWRU数据集

### XGBoost用于CWRU轴承数据集故障诊断

对于使用XGBoost处理Case Western Reserve University (CWRU)轴承数据集进行故障诊断的任务，具体过程涉及数据预处理、特征工程、模型构建与训练以及最终的结果评估。

#### 数据预处理
在开始之前，需加载并清理CWRU数据集。此步骤包括去除异常值、填补缺失值等操作，确保输入到模型中的数据质量良好。由于CWRU数据集中包含了不同转速下的振动信号样本，因此还需要标准化这些信号以便于后续分析[^2]。

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 假设df为已读取的数据框形式的原始数据
scaler = StandardScaler()
scaled_features = scaler.fit_transform(df.drop('label', axis=1))
df_scaled = pd.DataFrame(scaled_features, columns=df.columns[:-1])
df_scaled['label'] = df['label']

#### 特征工程
为了提升分类效果，可以从原始振动信号中提取多种统计特性作为新特征，比如均值(mean)、方差(variance)、峭度(kurtosis)，以及其他可能有助于区分正常运行状态与其他各类故障模式的信息熵(entropy)[^5]。

def extract_features(signal):
    features = {
        'mean': signal.mean(),
        'var': signal.var(),
        'kurtosis': signal.kurtosis(),
        # 可继续添加其他有用的特征...
    }
    return features

features_df = df_scaled.apply(lambda row: pd.Series(extract_features(row)), axis=1)
final_data = pd.concat([features_df, df_scaled[['label']]], axis=1)

#### 构建与训练XGBoost模型
利用上述准备好的特征矩阵和标签向量来初始化并训练一个二元或多类别的XGBoost分类器。这里假设`y_train`代表目标变量而`X_train`则对应着所有自变量组成的特征集合。

import xgboost as xgb
from sklearn.model_selection import train_test_split

X = final_data.drop('label', axis=1).values
y = final_data['label'].values

X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2)

dtrain = xgb.DMatrix(X_train, label=y_train)
dval = xgb.DMatrix(X_val, label=y_val)

param = {'max_depth': 6, 'eta': 0.3}
num_round = 100
bst = xgb.train(param, dtrain, num_round)

#### 结果评估
完成模型训练之后，可以通过交叉验证或其他方式对其性能进行全面评测，常用的指标有准确率(Accuracy)、精确度(Precision)、召回率(Recall)及F1分数(F1 Score)等。

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

preds = bst.predict(dval)
best_preds = np.asarray([np.argmax(line) for line in preds])

print(f'Accuracy: {accuracy_score(y_val, best_preds)}')
print(f'Precision: {precision_score(y_val, best_preds, average="weighted")}')
print(f'Recall: {recall_score(y_val, best_preds, average="weighted")}')
print(f'F1 Score: {f1_score(y_val, best_preds, average="weighted")}')

通过以上流程，能够有效运用XGBoost算法针对CWRU轴承数据集执行故障检测任务，并获得较为理想的预测表现。