通過理解機器學習算法的功能，工程師可以為他們的應用生成有效的軟傳感器。

軟傳感器（soft sensor），也稱為虛擬傳感器，是一種可以綜合處理數百個測量數據的軟件。想要添加軟傳感器的工廠管理者可能會對使軟傳感器工作的機器學習的范圍感到不知所措。然而，深入了解這個主題會發現，其實大多數軟傳感器設計背后都離不開幾種核心算法。

雖然這些模型的選擇、訓練和實施很多時候是數據科學家的工作，但工廠管理者和其他運營專家也會希望熟悉它們的功能。

理解軟傳感器

軟傳感器是在軟件環境中創建的，但可以提供與現實世界中的對應物相同的好處。在某些情況下，軟傳感器可能比真實的傳感器更受歡迎。

因此，運營專家和數據科學家應該合作設計軟傳感器，原因有很多。其中一個原因是對于特定結果所需的關鍵參數進行實時或近實時測量的渴望。這些測量對于提高整體性能至關重要。

軟傳感器的其他用例包括：

• 工廠人員短缺。一些過程需要實驗室人員對特定物理或化學屬性的參數進行取樣或分析。這些可能包括粘度、分子量和組成。當沒有足夠的人員進行測量時，可以使用軟傳感器來估計這些值。
• 冗余傳感器。在惡劣環境中，傳感器被污染可能時有發生。軟傳感器可以提供數字傳感器的讀數，直到數字傳感器可以被替換，以保持流程的持續進行。
• 額外的傳感器。有時可能需要更多的傳感器，或者某個過程缺乏自己的傳感器。在這些情況下，軟傳感器可以模仿一個擁有所有正確傳感器的相同資產。

機器學習模型的主要類型

機器學習練習遵循一個循環模式。首先，數據被準備和清洗。接下來，數據科學家將選擇一個算法作為模型的基礎。然后，數據科學家將開始使用未經處理或預處理的時間序列和上下文數據訓練模型。最后，模型被測試和部署。然后過程再次開始，以改進模型。

一般來說，有兩種主要類型的模型可供選擇：

• 監督模型，需要標記的數據集與其它變量進行比較。
• 無監督模型，主要用于描述多個變量之間的關系。

在這些模型中，監督模型是開發軟傳感器或創建預測標簽的更好選擇。盡管有數百種監督機器學習模型，但只有少數——來自被稱為回歸算法的類別——對于創建軟傳感器是有用的。以下是每種模型的描述：

線性回歸

這是創建軟傳感器最有用和最簡單的方法之一。然而，某些過程，如測量聚合物的粘度，對于線性回歸來說太復雜了。這個算法生成一個函數，預測目標變量的值。它是作為一組一個或多個變量的線性組合的函數。當使用一個變量時，它被稱為單變量線性回歸。多個變量賦予它多元線性回歸的名稱。使用這個模型的好處在于其清晰性。很容易確定哪些變量對目標的影響最大。這被稱為特征重要性。

決策樹

理論上，決策樹可以擁有它們需要的任意多的規則和分支來適應數據。它們使用這些規則來自獨立變量，稱為一組特征。結果是目標值的分段常量估計。因為它們可以有很多規則和分支，所以它們可以非常靈活。

另一方面，它們也存在過擬合數據的風險。過擬合發生在模型訓練時間過長時。這使得模型開始適應數據集中的噪聲，并開始將其視為正常。欠擬合數據也可能發生。在這種情況下，算法訓練不夠長，因此沒有足夠的數據來確定獨立變量可能如何與目標變量相關，或者它們可能對目標變量有什么影響。

過擬合和欠擬合數據都會導致模型失敗。模型再也不能處理新數據，也不能用于軟傳感器。過擬合和欠擬合數據的概念不是決策樹模型獨有的。

隨機森林

這本質上是一個模型中多個決策樹模型的組合。它提供了更多的靈活性，允許更多的特征，并且給出了更強的預測能力。然而，它也帶來了過擬合數據的高風險。

梯度提升

在機器學習中，梯度提升通常被稱為集成模型。像隨機森林一樣，梯度提升結合了多個決策樹。但它的不同之處在于，它優化每棵樹以最小化最后計算的損失函數。這些模型可以非常有效，但隨著時間的推移，它們變得更難以解釋。

神經網絡

所謂的深度學習是一個神經網絡回歸模型的概念。這個模型接受輸入變量，并在應用于回歸問題時，為目標變量生成一個值。最基本的神經網絡是多層感知器。在這些模型中，只使用單一的神經元排列。更常見的是，神經網絡將具有一個輸入層、一個或多個隱藏層（每個都有許多神經元）和一個輸出層來獲取值。

隱藏層中每個神經元內的加權輸入值被相加，并通過激活函數（如Sigmoid函數）傳遞。這個函數使模型非線性。一旦函數通過模型，它就到達包含單個神經元的輸出層。在訓練模型時，確定最適合特征和目標值的權重和偏差。

協作設計

對于那些新手來說，一個常見的誤解是會有一個正確的模型適合所有特定的需求。事實并非如此。選擇一個模型而不是另一個，其實是一個復雜的決策，部分基于數據科學家的經驗。

此外，這些監督回歸模型不會每次都產生相同的結果。因此，不存在“最佳”模型，但有些模型可能更適合某些情況。

任何機器學習練習中的數據科學家和運營專家之間的合作都始于對涉及的參數、目標使用、開發和部署方法的相互理解。