第 14 期 | 机器学习炉况分类：样本构建、类别不平衡与模型选型
规则系统解决了"已知异常"的诊断，但高炉的复杂性远超人类经验的边界------许多炉况异常是多种因素的非线性组合，工长说不清规则，却真实存在于历史数据中。机器学习的价值，正是从这些数据中自动发现"人说不清的诊断规律"。但高炉 ML 分类是一条"坑多路滑"的路：异常样本稀缺、类别严重不平衡、标签噪声大、工况漂移快。本期系统讲解炉况 ML 分类的三大核心难题与破局之道，帮你避开 90% 的初学者陷阱。
一、炉况 ML 分类的任务定义 🎯
炉况分类的本质，是将某时刻的运行状态映射到预定义的炉况类别：
#mermaid-svg-ZQvX4eNCtAESvUDn{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-ZQvX4eNCtAESvUDn .error-icon{fill:#552222;}#mermaid-svg-ZQvX4eNCtAESvUDn .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ZQvX4eNCtAESvUDn .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ZQvX4eNCtAESvUDn .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ZQvX4eNCtAESvUDn .marker.cross{stroke:#333333;}#mermaid-svg-ZQvX4eNCtAESvUDn svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ZQvX4eNCtAESvUDn p{margin:0;}#mermaid-svg-ZQvX4eNCtAESvUDn .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn .cluster-label text{fill:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn .cluster-label span{color:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn .cluster-label span p{background-color:transparent;}#mermaid-svg-ZQvX4eNCtAESvUDn .label text,#mermaid-svg-ZQvX4eNCtAESvUDn span{fill:#333;color:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn .node rect,#mermaid-svg-ZQvX4eNCtAESvUDn .node circle,#mermaid-svg-ZQvX4eNCtAESvUDn .node ellipse,#mermaid-svg-ZQvX4eNCtAESvUDn .node polygon,#mermaid-svg-ZQvX4eNCtAESvUDn .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-ZQvX4eNCtAESvUDn .rough-node .label text,#mermaid-svg-ZQvX4eNCtAESvUDn .node .label text,#mermaid-svg-ZQvX4eNCtAESvUDn .image-shape .label,#mermaid-svg-ZQvX4eNCtAESvUDn .icon-shape .label{text-anchor:middle;}#mermaid-svg-ZQvX4eNCtAESvUDn .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-ZQvX4eNCtAESvUDn .rough-node .label,#mermaid-svg-ZQvX4eNCtAESvUDn .node .label,#mermaid-svg-ZQvX4eNCtAESvUDn .image-shape .label,#mermaid-svg-ZQvX4eNCtAESvUDn .icon-shape .label{text-align:center;}#mermaid-svg-ZQvX4eNCtAESvUDn .node.clickable{cursor:pointer;}#mermaid-svg-ZQvX4eNCtAESvUDn .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-ZQvX4eNCtAESvUDn .arrowheadPath{fill:#333333;}#mermaid-svg-ZQvX4eNCtAESvUDn .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-ZQvX4eNCtAESvUDn .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-ZQvX4eNCtAESvUDn .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ZQvX4eNCtAESvUDn .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-ZQvX4eNCtAESvUDn .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ZQvX4eNCtAESvUDn .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-ZQvX4eNCtAESvUDn .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-ZQvX4eNCtAESvUDn .cluster text{fill:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn .cluster span{color:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-ZQvX4eNCtAESvUDn .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-ZQvX4eNCtAESvUDn rect.text{fill:none;stroke-width:0;}#mermaid-svg-ZQvX4eNCtAESvUDn .icon-shape,#mermaid-svg-ZQvX4eNCtAESvUDn .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ZQvX4eNCtAESvUDn .icon-shape p,#mermaid-svg-ZQvX4eNCtAESvUDn .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-ZQvX4eNCtAESvUDn .icon-shape .label rect,#mermaid-svg-ZQvX4eNCtAESvUDn .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ZQvX4eNCtAESvUDn .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-ZQvX4eNCtAESvUDn .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-ZQvX4eNCtAESvUDn :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 特征向量X
多源指标+时窗统计
分类模型f
炉况类别y
正常
悬料风险
管道
炉凉趋势
其他异常
任务形式的选择：
| 形式 | 定义 | 适用场景 |
|---|---|---|
| 二分类 | 正常 vs 某类异常 | 单一异常预警（如悬料） |
| 多分类 | 正常 + 多种异常 | 综合炉况诊断 |
| 多标签 | 同时标注多种并存异常 | 复合炉况（常见！） |
| 异常检测 | 只分"正常/异常" | 异常类型未知 |
💡 知识卡片 ：高炉异常常复合发生 （如"管道+炉凉"并存），多分类的"互斥假设"往往不成立。工程上推荐多标签分类 或多个二分类器并联------每种异常一个专门的二分类器，既符合"复合异常"的现实，又便于分模型独立优化。
二、样本构建：炉况 ML 的第一道难关 🧱
炉况分类的样本构建远比通用 ML 复杂，核心难点有三：
1. 标签的获取与对齐
- 事件台账：依赖规范的炉况事件记录（第 4 期已述），标注异常类型与起止时刻；
- 正负样本定义：以"异常发生前 N 小时"为正样本（N = 目标预警提前量），其余为负样本；
- 时间对齐：确保特征时刻与标签时刻严格对应（考虑炉况滞后）。
2. 样本的代表性
#mermaid-svg-DC24XXuKPX6llyzg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-DC24XXuKPX6llyzg .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-DC24XXuKPX6llyzg .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-DC24XXuKPX6llyzg .error-icon{fill:#552222;}#mermaid-svg-DC24XXuKPX6llyzg .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-DC24XXuKPX6llyzg .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-DC24XXuKPX6llyzg .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-DC24XXuKPX6llyzg .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-DC24XXuKPX6llyzg .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-DC24XXuKPX6llyzg .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-DC24XXuKPX6llyzg .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-DC24XXuKPX6llyzg .marker{fill:#333333;stroke:#333333;}#mermaid-svg-DC24XXuKPX6llyzg .marker.cross{stroke:#333333;}#mermaid-svg-DC24XXuKPX6llyzg svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-DC24XXuKPX6llyzg p{margin:0;}#mermaid-svg-DC24XXuKPX6llyzg .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-DC24XXuKPX6llyzg .cluster-label text{fill:#333;}#mermaid-svg-DC24XXuKPX6llyzg .cluster-label span{color:#333;}#mermaid-svg-DC24XXuKPX6llyzg .cluster-label span p{background-color:transparent;}#mermaid-svg-DC24XXuKPX6llyzg .label text,#mermaid-svg-DC24XXuKPX6llyzg span{fill:#333;color:#333;}#mermaid-svg-DC24XXuKPX6llyzg .node rect,#mermaid-svg-DC24XXuKPX6llyzg .node circle,#mermaid-svg-DC24XXuKPX6llyzg .node ellipse,#mermaid-svg-DC24XXuKPX6llyzg .node polygon,#mermaid-svg-DC24XXuKPX6llyzg .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-DC24XXuKPX6llyzg .rough-node .label text,#mermaid-svg-DC24XXuKPX6llyzg .node .label text,#mermaid-svg-DC24XXuKPX6llyzg .image-shape .label,#mermaid-svg-DC24XXuKPX6llyzg .icon-shape .label{text-anchor:middle;}#mermaid-svg-DC24XXuKPX6llyzg .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-DC24XXuKPX6llyzg .rough-node .label,#mermaid-svg-DC24XXuKPX6llyzg .node .label,#mermaid-svg-DC24XXuKPX6llyzg .image-shape .label,#mermaid-svg-DC24XXuKPX6llyzg .icon-shape .label{text-align:center;}#mermaid-svg-DC24XXuKPX6llyzg .node.clickable{cursor:pointer;}#mermaid-svg-DC24XXuKPX6llyzg .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-DC24XXuKPX6llyzg .arrowheadPath{fill:#333333;}#mermaid-svg-DC24XXuKPX6llyzg .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-DC24XXuKPX6llyzg .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-DC24XXuKPX6llyzg .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-DC24XXuKPX6llyzg .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-DC24XXuKPX6llyzg .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-DC24XXuKPX6llyzg .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-DC24XXuKPX6llyzg .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-DC24XXuKPX6llyzg .cluster text{fill:#333;}#mermaid-svg-DC24XXuKPX6llyzg .cluster span{color:#333;}#mermaid-svg-DC24XXuKPX6llyzg div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-DC24XXuKPX6llyzg .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-DC24XXuKPX6llyzg rect.text{fill:none;stroke-width:0;}#mermaid-svg-DC24XXuKPX6llyzg .icon-shape,#mermaid-svg-DC24XXuKPX6llyzg .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-DC24XXuKPX6llyzg .icon-shape p,#mermaid-svg-DC24XXuKPX6llyzg .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-DC24XXuKPX6llyzg .icon-shape .label rect,#mermaid-svg-DC24XXuKPX6llyzg .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-DC24XXuKPX6llyzg .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-DC24XXuKPX6llyzg .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-DC24XXuKPX6llyzg :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 剔除
保留
原始历史数据
样本筛选
休风/变料过渡期
非典型工况
正常生产期样本
覆盖不同工况
季节/炉龄/原料
训练/验证/测试集
按时间切分
- 剔除过渡期：休风复风、大幅变料的过渡期数据分布异常，会污染模型；
- 覆盖代表性：训练集须覆盖不同季节、炉龄、原料条件，否则模型泛化差；
- 时间切分 ：严禁随机切分（会导致未来信息泄漏），必须按时间先后切分训练/测试集。
3. 标签噪声的处理
工长标注存在主观性，需：
- 置信度分级：高置信样本训练、低置信样本验证；
- 多源校验：标注与仪表数据交叉验证（如标注"悬料"是否有料尺停滞佐证）；
- 边界模糊处理：异常起止时刻附近的"过渡带"样本降权或剔除。
三、类别不平衡：1:100 的极端挑战 ⚖️
炉况异常的年发生次数有限，正负样本比常达 1:50 甚至 1:200，这是炉况 ML 的核心难题：
1. 不平衡的危害
直接训练会导致模型"躺平"------全部预测为"正常"也能获得 99% 准确率，但对异常完全无检出能力。准确率在不平衡场景下毫无意义。
2. 应对策略矩阵
| 策略类别 | 方法 | 适用 | 注意 |
|---|---|---|---|
| 数据层 | SMOTE 过采样、随机欠采样 | 样本量尚可 | 过采样易过拟合少数类 |
| 算法层 | 类别加权、代价敏感学习 | 通用 | 权重需调优 |
| 评估层 | 用召回率/F1/AUC 替代准确率 | 必须用 | 关注少数类指标 |
| 集成层 | EasyEnsemble、BalanceCascade | 极不平衡 | 计算开销大 |
#mermaid-svg-ppvr0r3KAIPZzNkf{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-ppvr0r3KAIPZzNkf .error-icon{fill:#552222;}#mermaid-svg-ppvr0r3KAIPZzNkf .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ppvr0r3KAIPZzNkf .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ppvr0r3KAIPZzNkf .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ppvr0r3KAIPZzNkf .marker.cross{stroke:#333333;}#mermaid-svg-ppvr0r3KAIPZzNkf svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ppvr0r3KAIPZzNkf p{margin:0;}#mermaid-svg-ppvr0r3KAIPZzNkf .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf .cluster-label text{fill:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf .cluster-label span{color:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf .cluster-label span p{background-color:transparent;}#mermaid-svg-ppvr0r3KAIPZzNkf .label text,#mermaid-svg-ppvr0r3KAIPZzNkf span{fill:#333;color:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf .node rect,#mermaid-svg-ppvr0r3KAIPZzNkf .node circle,#mermaid-svg-ppvr0r3KAIPZzNkf .node ellipse,#mermaid-svg-ppvr0r3KAIPZzNkf .node polygon,#mermaid-svg-ppvr0r3KAIPZzNkf .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-ppvr0r3KAIPZzNkf .rough-node .label text,#mermaid-svg-ppvr0r3KAIPZzNkf .node .label text,#mermaid-svg-ppvr0r3KAIPZzNkf .image-shape .label,#mermaid-svg-ppvr0r3KAIPZzNkf .icon-shape .label{text-anchor:middle;}#mermaid-svg-ppvr0r3KAIPZzNkf .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-ppvr0r3KAIPZzNkf .rough-node .label,#mermaid-svg-ppvr0r3KAIPZzNkf .node .label,#mermaid-svg-ppvr0r3KAIPZzNkf .image-shape .label,#mermaid-svg-ppvr0r3KAIPZzNkf .icon-shape .label{text-align:center;}#mermaid-svg-ppvr0r3KAIPZzNkf .node.clickable{cursor:pointer;}#mermaid-svg-ppvr0r3KAIPZzNkf .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-ppvr0r3KAIPZzNkf .arrowheadPath{fill:#333333;}#mermaid-svg-ppvr0r3KAIPZzNkf .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-ppvr0r3KAIPZzNkf .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-ppvr0r3KAIPZzNkf .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ppvr0r3KAIPZzNkf .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-ppvr0r3KAIPZzNkf .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ppvr0r3KAIPZzNkf .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-ppvr0r3KAIPZzNkf .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-ppvr0r3KAIPZzNkf .cluster text{fill:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf .cluster span{color:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-ppvr0r3KAIPZzNkf .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-ppvr0r3KAIPZzNkf rect.text{fill:none;stroke-width:0;}#mermaid-svg-ppvr0r3KAIPZzNkf .icon-shape,#mermaid-svg-ppvr0r3KAIPZzNkf .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ppvr0r3KAIPZzNkf .icon-shape p,#mermaid-svg-ppvr0r3KAIPZzNkf .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-ppvr0r3KAIPZzNkf .icon-shape .label rect,#mermaid-svg-ppvr0r3KAIPZzNkf .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ppvr0r3KAIPZzNkf .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-ppvr0r3KAIPZzNkf .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-ppvr0r3KAIPZzNkf :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 类别不平衡应对
数据层: 重采样
算法层: 类别加权
评估层: 召回率/F1
集成层: 平衡集成
综合方案
3. 推荐的工程实践
类别加权 + 阈值调优 + 少数类指标评估的组合：
- 训练时用 class_weight 给少数类加权（如正负比 1:100 → 少数类权重 100）；
- 推理时调低分类阈值（默认 0.5 → 0.3），优先保证召回率；
- 评估时只看少数类的召回率、精确率、F1 与 PR-AUC。
⚠️ 工程警示 ：炉况场景漏报代价远高于误报（漏报炉凉可能毁炉）。因此评估应"偏召回"------宁可误报多一些，也不能漏掉真实异常。这与通用 ML 追求"精确率-召回率平衡"的默认策略不同，是领域特性的体现。
四、模型选型：没有银弹，只有适配 🧠
炉况分类的模型选型需权衡数据规模、可解释性、实时性：
| 模型 | 优势 | 局限 | 炉况适用性 |
|---|---|---|---|
| 逻辑回归 | 可解释、稳定 | 线性边界 | 基线/冷启动 |
| 随机森林 | 抗过拟合、特征重要性 | 精度中等 | ⭐推荐（小样本） |
| XGBoost/LightGBM | 精度高、处理非线性 | 需调参 | ⭐⭐主力模型 |
| SVM | 小样本有效 | 大数据慢、难解释 | 备选 |
| MLP | 表达力强 | 需大量数据 | 数据充足时用 |
| 时序模型(LSTM) | 捕捉时序依赖 | 数据需求大 | 时序特征显著时 |
推荐的选型逻辑
#mermaid-svg-duhqJuJ9CZaEcL73{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-duhqJuJ9CZaEcL73 .error-icon{fill:#552222;}#mermaid-svg-duhqJuJ9CZaEcL73 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-duhqJuJ9CZaEcL73 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-duhqJuJ9CZaEcL73 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-duhqJuJ9CZaEcL73 .marker.cross{stroke:#333333;}#mermaid-svg-duhqJuJ9CZaEcL73 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-duhqJuJ9CZaEcL73 p{margin:0;}#mermaid-svg-duhqJuJ9CZaEcL73 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 .cluster-label text{fill:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 .cluster-label span{color:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 .cluster-label span p{background-color:transparent;}#mermaid-svg-duhqJuJ9CZaEcL73 .label text,#mermaid-svg-duhqJuJ9CZaEcL73 span{fill:#333;color:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 .node rect,#mermaid-svg-duhqJuJ9CZaEcL73 .node circle,#mermaid-svg-duhqJuJ9CZaEcL73 .node ellipse,#mermaid-svg-duhqJuJ9CZaEcL73 .node polygon,#mermaid-svg-duhqJuJ9CZaEcL73 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-duhqJuJ9CZaEcL73 .rough-node .label text,#mermaid-svg-duhqJuJ9CZaEcL73 .node .label text,#mermaid-svg-duhqJuJ9CZaEcL73 .image-shape .label,#mermaid-svg-duhqJuJ9CZaEcL73 .icon-shape .label{text-anchor:middle;}#mermaid-svg-duhqJuJ9CZaEcL73 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-duhqJuJ9CZaEcL73 .rough-node .label,#mermaid-svg-duhqJuJ9CZaEcL73 .node .label,#mermaid-svg-duhqJuJ9CZaEcL73 .image-shape .label,#mermaid-svg-duhqJuJ9CZaEcL73 .icon-shape .label{text-align:center;}#mermaid-svg-duhqJuJ9CZaEcL73 .node.clickable{cursor:pointer;}#mermaid-svg-duhqJuJ9CZaEcL73 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-duhqJuJ9CZaEcL73 .arrowheadPath{fill:#333333;}#mermaid-svg-duhqJuJ9CZaEcL73 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-duhqJuJ9CZaEcL73 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-duhqJuJ9CZaEcL73 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-duhqJuJ9CZaEcL73 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-duhqJuJ9CZaEcL73 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-duhqJuJ9CZaEcL73 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-duhqJuJ9CZaEcL73 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-duhqJuJ9CZaEcL73 .cluster text{fill:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 .cluster span{color:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-duhqJuJ9CZaEcL73 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-duhqJuJ9CZaEcL73 rect.text{fill:none;stroke-width:0;}#mermaid-svg-duhqJuJ9CZaEcL73 .icon-shape,#mermaid-svg-duhqJuJ9CZaEcL73 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-duhqJuJ9CZaEcL73 .icon-shape p,#mermaid-svg-duhqJuJ9CZaEcL73 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-duhqJuJ9CZaEcL73 .icon-shape .label rect,#mermaid-svg-duhqJuJ9CZaEcL73 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-duhqJuJ9CZaEcL73 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-duhqJuJ9CZaEcL73 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-duhqJuJ9CZaEcL73 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 样本<1000
样本充足
是
否
模型选型
数据规模?
随机森林/XGBoost
小样本稳健
时序依赖强?
LSTM/时序模型
XGBoost/MLP
可解释性优先
特征重要性分析
捕捉演化趋势
追求精度上限
工程经验 ：炉况分类中，XGBoost/LightGBM 是性价比最高的主力------在小中样本上精度领先、训练快、特征重要性可解释，便于与工长沟通"模型依据什么判断"。深度学习只在数据充足、时序依赖显著时才值得引入。
五、模型上线后的持续监控 📊
炉况 ML 模型不是"一劳永逸"，需应对工况漂移：
- 数据漂移监控：监测输入特征分布变化（如原料结构改变）；
- 性能衰减监控：跟踪在线预测的事后命中率，低于阈值触发重训练；
- 定期重训练：用新积累数据定期更新模型，保持对当前工况的适配。
🎯 本期小结
- 炉况分类推荐多标签或多个二分类器并联，适配"复合异常"现实；
- 样本构建需规范台账、时间切分、置信度分级，剔除过渡期污染；
- 类别不平衡用"加权+阈值调优+少数类指标"，评估偏召回；
- 模型选型：小样本用随机森林/XGBoost，数据充足时序强才用 LSTM；
- 上线后需监控数据漂移与性能衰减，定期重训练。
下期预告：第 15 期面对更极端的场景------《无监督异常检测：稀有病史样本场景的破局之道》，当"异常样本几乎没有"时，如何诊断？
作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为) 。
🔔 关注专栏，不错过后续精彩内容