基于改进LightGBM模型的汽车故障预测方法研究

针对机器学习技术在汽车行业的应用中存在的汽车故障数据规模大和类别不平衡引起的模型训练速度慢、故障查全率低的问题,对LightGBM模型进行两方面的改进:模型训练时,设置类别权重和L_1正则化项修正模型的损失函数,并通过贝叶斯优化获得修正项系数的取值;模型预测时,使用阈值移动法降低模型的分类阈值。在斯堪尼亚货车故障数据集上进行验证。结果表明,本文中所提出的改进LightGBM模型训练速度快,故障查全率高,具备工程应用价值。