Тюнинг порогов: Тюнинг автомобилей: пороги, защита бампера

Содержание

Тюнинг автомобилей: пороги, защита бампера

Интернет-магазин Alta Karter предлагает купить тюнинг, способный сделать ваш автомобиль неуязвимым для механических повреждений. Обвесы защищают отдельные части кузова и повышают безопасность транспортного средства в целом. А так как они выполнены из прочных высококачественных материалов, то…   читать подробнее

Интернет-магазин Alta Karter предлагает купить тюнинг, способный сделать ваш автомобиль неуязвимым для механических повреждений. Обвесы защищают отдельные части кузова и повышают безопасность транспортного средства в целом. А так как они выполнены из прочных высококачественных материалов, то прослужат, как и автомобиль, долгие годы.

Мы предлагаем заказать тюнинг автомобилей на любой бюджет

В нашем каталоге представлена продукция российских и иностранных производителей. Вы можете купить защиту бампера, пороги и другие аксессуары от Groender (Швейцария), Schiessler, Seko и ClimAir (Германия), Noble (Китай), «Союз-96», «ТСС», «Руссталь», «Беркут» (Россия) и других известных специализированных брендов. В Alta Karter есть автоаксессуары на любую марку и модель машины. Если вам нужно бюджетное приобретение, выберите отечественное или китайское оборудование. Стоимость такого тюнинга автомобилей будет ниже цен на европейские изделия. При этом ощутимой разницы в качестве моделей вы не увидите.

Наши специалисты гарантируют профессиональный монтаж

Оборудование для тюнинга автомобилей довольно сложное в установке, и если вы находитесь в Москве, доверьте этот вид работ мастерам нашего сервиса. Мы гарантируем оперативность и высокое качество монтажа. Защита бампера и другие силовые обвесы, установленные сотрудниками Alta Karter, будут служить в течение многих лет. И все это время машина будет выглядеть как новая!

Получить консультацию по выбору тюнинга для автомобилей и записаться на его монтаж можно по телефону в Москве +7 (495) 215-02-45 или обратившись на горячую линию 8 (800) 555-02-76.

показано: c 1 по 30 из 23666

Широкий ассортимент обвесов и тюнинг элементов для авто. Пороги, защита переднего бампера (кенгурятник), заднего бампера, накладка на глушитель и другие декоративные элементы.

 

Обвес и элементы тюнинга для автомобиля

Наш интернет-магазин по продаже аксессуаров для автомобилей является официальным представителем производителей обвесов и тюнинг элементов для разных марок автомобилей. К Вашему выбору в нашем широком ассортименте продукция следующих брендов – РусСталь, ALFeco, ЮКК(Россия), Arbori, ТСС Тюнинг и другие. Вся продукция тюнинг элементов для авто зарекомендовала себя на протяжении многих лет как качественная, надежная и при этом недорогая. Специалисты нашего магазина подберут обвес для Вашего автомобиля, полностью удовлетворяющую Вашим запросам по цене и качеству.

Виды обвеса и тюнинга в нашем интернет магазине

В нашем интернет магазине Вы можете подобрать следующий обвес и элементы тюнинга для своего автомобиля:

  • Защита переднего бампера (Кенгурятник)
  • Защита заднего бампера. Цельный или из нескольких элементов (уголки)
  • Решетка радиатора
  • Накладки на глушитель
  • Декоративные элементы

Подберите самостоятельно для своей модели автомобиля элементы тюнинга и обвеса или воспользуйтесь помощью нашего менеджера.

Как купить обвес и тюнинг элементы для автомобиля

Вы можете заказать обвесы одним из следующих способов:

  1. Позвонить нам по одному из телефонных номеров: 8 800 600-44-20, +7 964 342-69-238, +7 812 642-69-23. Наши специалисты подберут для Вас необходимые тюнинг элементы, обсудят условия доставки и оплаты.
  2. Вы можете оформить заказ путем самостоятельного подбора обвеса для своего автомобиля и оформления его прямо в интернет-магазине. При оформлении заказа Вам необходимо будет ввести данные по доставке и условию оплаты. После этого заявка отправиться нашим специалистам, которые проверят наличие товара и согласуют с Вами по телефону или почте возможные сроки доставки.
  3. После выбора в каталоге “Обвес” нужного Вам изделия, просто нажмите кнопку “Заказать в 1 клик”, введите номер телефона и дождитесь звонка одного из наших специалистов (Специалист позвонит Вам в течение 30 минут, при условии оформления с 09.00 до 20.00 по МСК. Иначе звонок поступит на следующий рабочий день с 09:00 до 12:00
  4. Отправить нам заявку в один из мессенджеров Viber или WhatsApp и согласовать с нашим специалистом модель, дату доставки, стоимость обвеса и элементов тюнинга для своего автомобиля.

Выберите удобный для себя вариант заказа обвеса из вышеперечисленного списка и получите в будущем гарантированные акционные предложения.

Получите дополнительные преимущества покупки обвеса и элементов тюнинга в нашем интернет-магазине.

Приобретая обвес и элементы тюнинга в нашем интернет-магазине, Вы получаете дополнительные преимущества:

  • Низкую стоимость доставки. В результате того, что наша компания является официальным представителем производителей обвеса и тюнинг элементов, отправку товара, мы можем произвести напрямую со склада производства миную наш локальный склад. Таким образом значительно снижая стоимость доставки по России.
  • Низкая цена. Благодаря налаженным партнерским отношениям нашего интернет-магазина с производителями обвеса для автомобилей Вы получите выгодную цену на действительно качественные изделия.
  • Гарантия качества. Вся продукция проходит контроль качества и поэтому Вы получите обвес и элементы тюнинга для автомобиля, которые прослужат Вашему автомобилю максимально долгий срок.
  • Возможность получить акционные предложения от нашего интернет-магазина, таким образом значительно сэкономить на покупке обвеса и элементов для своего автомобиля

Россиян обяжут согласовывать любой тюнинг автомобиля: Общество: Россия: Lenta.ru

Россиянам с 1 февраля придется согласовывать любое изменение в машине, в том числе переход на газобаллонное оборудование, сообщают «Известия».

Данные заключения испытательной лаборатории о возможности внесения изменений будут вноситься в реестр Минэкономразвития. Без такой записи нельзя получить разрешение на тюнинг. Купить нужные документы в лаборатории не получится.

Новые правила проверки машин изложены в ГОСТ 33670 «Автомобильные транспортные средства единичные. Методы экспертизы и испытаний для проведения оценки соответствия». Для их вступления в силу уже все готово, уточняет издание со ссылкой на источник.

Испытательных лабораторий по всей стране около двух десятков, многие находятся в Москве. В большинстве регионов их нет. При этом если специалисты такой организации выдадут документы на авто из другого субъекта, то компанию могут оштрафовать, даже если речь идет об установке простой лебедки или фаркопа. Руководитель московской исследовательской лаборатории Юрий Пархоменко уточнил, что для решения этой проблемы в правительстве обсуждают вопрос о дистанционном осмотре уже стоящих на учете транспортных средств.

В ГОСТ также входит понятие «объект индивидуального технического творчества». В пресс-службе Росстандарта отметили, что методы таких испытаний пока не определены. На данный момент в нормативной базе нет разницы между «внесением изменений в конструкцию» и созданием «объекта технического творчества». Разрешение на тюнинг будет зависеть от конкретного специалиста лаборатории. «Если вы установили другую тормозную систему и эксперт скажет, что это объект технического творчества и откажет в документах, зарегистрировать это будет нельзя», — сказал «Известиям» вице-президент Национального автомобильного союза Антон Шапарин.

О планах Минпромторга ужесточить правила ремонта и тюнинга автомобилей стало известно в ноябре 2020-го. Согласовывать предлагается установку порогов, спойлеров, антенн, люков в крышу, багажников, рейлингов, воздухозаборников, подкрылков, колес увеличенного диаметра, устройств для буксировки прицепов, охранной сигнализации, средств защиты, мультимедийного и компьютерного оборудования. Будет запрещено использование некоторых подержанных запчастей, например, тормозных систем, ремней, подушек безопасности, систем рулевого управления.

Быстрая доставка новостей — в «Ленте дня» в Telegram

Производство защитно-декоративного оборудования, тюнинг внедорожников — Кенгурятники, защита бампера, пороги

НАВЕСНОЕ ОБОРУДОВАНИЕ ИЗ НЕРЖАВЕЮЩЕЙ СТАЛИ Zotye

Компания Slitkoff специализируется на производстве навесного оборудования из нержавеющей стали для автомобилей Zotye. Новейшие технологии и оборудование, используемые при изготовлении защитно-декоративных изделий, позволяют нам получить высокое качество, как самого изделия, так и крепежных элементов. Среди выпускаемого оборудования для тюнинга Zotye присутствуют следующие виды защитного оборудования:
— Кенгурятники
— Защиты бамперов (защита переднего/заднего бампера, уголки)
— Пороги (Защита штатного порога)
— Решетки радиаторов

Производство защитно-декоративного оборудования

Компания «SLITKOFF» предлагает навесное оборудование для внедорожников собственного производства: кенгурятники, пороги, уголки, защиты бамперов. Все автоаксессуары имеют широкий модельный ряд и разрабатываются с учетом эксплуатации в условиях жесткого климата, что особенно важно для российского потребителя. Качественный и стильный обвес для внедорожника не только минимизирует риски, связанные с ездой в интенсивном городском потоке и за его пределами, но и приобретает статус необходимого атрибута тюнинга автомобиля и, что главное – становится отражением имиджа хозяина авто.

Доступны розничные продажи алюминиевых порогов и навесного защитно-декоративного оборудования для всех представленных на сайте моделей и марок автомобилей. По всем интересующим вопросам вы всегда можете проконсультироваться у наших консультантов Online или по телефону 8 800 700 3932.

Тюнинг внедорожников

Тюнинг внедорожников предполагает оснащение корпуса различными аксессуарами, которые способны предотвратить возможные механические повреждения, а значит, и обеспечить автомобилю необходимую защиту, а вместе с ней и длительную эксплуатацию.

Очевидно, что покупка защиты бампера (уголков) или порогов для внедорожника станет выгодным вложением средств и обеспечит Вам спокойствие и уверенность на дороге – в любом ее виде. Защита бампера – как переднего, так и заднего (уголки) – изготавливается из высококачественной нержавеющей стали, а также может иметь различную высоту и диаметр трубы. Пороги для внедорожников так же имеют несколько вариантов исполнения: наиболее востребованными на сегодняшний день являются листовые пороги, пороги с проступями. Такой аксессуар защитит Ваш автомобиль, при этом удобен в эксплуатации.

Пороги из стали, кенгурятники, уголки и другое навесное оборудование для внедорожника – достижение современной автопромышленности, которое позволило существенно повысить функциональность и потенциальную безопасность автомобиля, а также обеспечить сохранность первоначального внешнего вида на долгие годы. Позвольте себе быть уверенным на дороге – заказывайте качественное навесное оборудование от производителя «SLITKOFF». Мы надеемся, вы найдете именно то, что Вам нужно. Вся продукция имеет сертификацию в системе РСТ России.

Покупая навесное оборудование напрямую от производителя и у наших дилеров вы получаете следующие выгоды:

Самая низкая цена на товар,
т.к. вы не переплачиваете
посредникам

Быстрая отправка
продукции

Быстрый срок
изготовления

Оперативная техническая
поддержка нашего
инженера-конструктора,
в случае, если возникнут
вопросы при установке
продукции

Гарантия качества
и надежности материалов

Сотрудничая с проверенным
предприятием, вы
ограждаете себя от рисков,
которые возможны при
дистанционной
покупке в интернете

Выбирая компанию «SLITKOFF», вы приобретаете надежность и оперативность в решении важных вопросов.

Тюнинг Range Rover: установка порогов, съемных мониторов, сабвуфера, сетки в бампер, активация 4 опций


Даже у премиальных автомобилей порой нет тех опций, о которых мечтают владельцы. Но это не значит, что придется мириться с урезанным функционалом. Расширить возможности, повысить комфорт и безопасность просто – достаточно обратиться в наш установочный центр. Именно так и поступил владелец Range Rover 2021 года выпуска. Он заказал установку нового сабвуфера, съемных мониторов «Original Design» на спинку сидений, электрических порогов и сетки в бампер, а также решил активировать 4 дополнительные опции.


Мы официально сотрудничаем с компанией SmartGear, потому что уверены в надежности и качестве выпускаемого оборудования. Именно поэтому теперь на автомобиле появились электрических пороги, которые автоматически выезжают, когда открывается любая из дверей автомобиля. 



Пороги защищены антивандальным покрытием, что значительно увеличивает срок их службы. Для того чтобы уберечь кронштейны от попадания песка, влаги, грязи с химическими реагентами, предусмотрены специальные насадки. Кроме того, дополнительную защиту обеспечивает брызговик – кронштейн останется целым и невредимым во время движения. Специальный датчик, распознающий препятствия, отвечает за то, чтобы платформа не повредилась о бордюр. 


За обшивкой багажника прячется новый сабвуфер в деревянном корпусе и усилитель к нему. Устройства никак не сокращают полезного объема, надежно закрыты сеткой, следов проведения работ нет. 


В салоне установлены съемные сенсорные мониторы для заднего ряда. Они работают на операционной системе Android, а это значит, в распоряжении пассажиров появились современные планшеты. Диагональ экрана — 11.6 дюйма. 


 


Для защиты ЛКП авто мы наклеили полиуретановую пленку толщиной 200 микрон от компании SunTek, которая будет оберегать поверхность кузова от потертостей, царапин, ультрафиолета и других неблагоприятных воздействий. За радиаторной решеткой и бампером установлена дополнительная сетка.


Помимо этого, были активированы четыре опции: удержания в полосе, видео в движении, запирания одним касанием и опция помощника при движении задним ходом. После проведения работ машина отправилась на детейлинг для нанесения керамического покрытия.


Смотрите видео – покажем подробнее все проделанные работы!



Хотите так же? Оставьте заявку и наше мастера перезвонят вам в течение 15-ти минут, а также закроют все вопросы по срокам, стоимости и другим нюансам!


Также рекомендуем не пропускать наш раздел услуг, где представлены все опции компании. А еще почитать раздел с отзывами, где владельцы установленных систем делятся впечатлениями.

Ремонт порогов на все модели Land Rover

В нашей компании Вы можете не только купить новые пороги для всех моделей Land Rover, но и отремонтировать старые!

Нужны ли пороги? Да!

Многие любители эксплуатируют машину с установленными дополнительными порогами – подножками. Причин для этого может быть несколько

Пороги дополняют внешний облик автомобиля, делая его более завершенным и гармоничным

Многие привыкли опираться на ступеньку порога при посадке-высадки из автомобиля. Пороги могут быть незаменимым подспорьем для пожилых людей, детей и людей невысокого роста, которые испытывают трудности при посадке в высокий автомобиль

Пороги предотвращают забрызгивание боков автомобиля на грязных дорогах при движении в слякоть и непогоду.   Многие автовладельцы отмечают, что после установки порогов, машина дольше остается чистой.

Так или иначе, если Вы решили установить пороги на свой автомобиль, мы готовы предложить полный ассортимент по самым привлекательным ценам. При этом все пороги соответствуют оригиналу и имеют отличное качество, проверенное годами успешных продаж.  Чтобы подобрать пороги на свой автомобиль, перейдите в интернет магазин https://lr.ru/shop, выберите Ваш автомобиль и в разделе «Аксессуары и Тюнинг» перейдите в пункт «Пороги«

Пороги можно и нужно ремонтировать.

В процессе эксплуатации пороги могут деформироваться и  потерять привлекательный внешний вид. Больше всего страдает боковая накладка, выполненная из алюминия ( Discovery 3-4, Range Rover Sport Gen I)  , пластика (Range Rover Gen III)  или нержавейки (Range Rover Gen IV, Range Rover Gen II). Помимо деформации и царапин накладки, частой поломкой является разрушение заклепок, крепящих накладку (молдинг) к порогу. Причиной этому является электрохимическая коррозия алюминия в месте установки заклепки, вызванная химически агрессивными противоледными реагентами, которыми щедро обрабатывают наши дороги.

Таким образом, замена боковой накладки (молдинга) порога является  частой и востребованной ремонтной процедурой. В Техцентре ЛР.РУ предлагаются различные услуги, связанные с ремонтом порогов, в частности замена накладки без снятия порога с машины  Такая операция возможна на Land Rover Discovery 3-4, Range Rover Sport,  Freelander

Накладки-молдинги порогов

К сожалению, производителем Land Rover не предусмотрена возможность ремонта порогов и боковые накладки-молдинги  на порог не детализуются и не официально не поставляются в запчасти (исключение составляют пластиковые боковины порогов для Range Rover Gen III).  

Поэтому специалисты  компания LR.RU организовали производство накладок у сторонних производителей.  В  настоящее время мы  являемся  эксклюзивным поставщиком высококачественных боковин, полностью соответствующим  штатным деталям.

Кроме того мы выпускаем накладки с защитным эмалевым покрытием, специально для тяжелых российских условий эксплуатации. Окраска накладок-боковин производится  в цвет, максимально близкий к цвету «анодированный алюминий», при этом,  хотя и имеется небольшая разница в оттенке, она незаметна с высоты человеческого роста на  уже на установленных порогах. Также есть вариант окраски в черный цвет. Накладки окрашиваются на промышленном предприятии в специальной камере с горячим запеканием порошковой эмали.  Применяемое при окраске импортное оборудование и комплектующие дают уверенность в том, что стойкость покрытия во много раз превосходит «сырой» алюминий обычных накладок.

Теперь накладки порогов (боковой молдинг порога, окантовка порога) окрашенные высокостойкой импортной порошковой эмалью продаются по той же цене, что и не окрашенные. 

Новинка! Теперь доступны также накладки (молдинги) на пороги для последних поколений Range Rover и Range Rover Sport (c 2013 года по настоящее время). Данные накладки выполнены из нержавеющей стали

Купить боковые накладки порогов можно в машем интернет магазине. Вам помогут ссылки:

Боковая накладка-молдинг порога Discovery 3-4  https://lr.ru/shop/code/KAT0001899,  Пластиковые молдинги порога для Range Rover 2002-2013 https://lr.ru/shop/code/KAT0003321 , Боковая накладка-молдинг порога Freelander https://lr.ru/shop/code/KAT0002727 , Боковая накладка-молдинг порога Range Rover Sport 2005-2013 https://lr.ru/shop/code/KAT0004138 , Нижняя-боковая облицовка порога последних моделей Range Rove и  Range Rover Sport  https://lr.ru/shop/code/KAT0004912

Самостоятельный ремонт порогов

Возможен ли ремонт порогов гаражных условиях? Да, в этом нет ничего сложного. Мы сняли несколько роликов, поясняющих процесс замены накладок порогов

Дополнительные предложения

Иногда порог автомобиля разрушается и требует полной замены. Это может произойти при аварии, при наезде боком автомобиля на высокое препятствие (камень,  ухаб и т.п.).  В этом случае требуется замена порога целиком.  Но купить правый или левый порог отдельно – большая проблема. Но только не в магазине LR.RU!  Для наших уважаемых покупателей мы предлагаем отдельно пороги на правую и левую сторону. Также возможно приобретения отдельно кронштейнов порогов.

 

5 идей тюнинга порогов авто с ALIEXPRESS

Тип закрытого кузова легкового автомобиля с багажником, структурно отделённым от пассажирского салона и без подъёмной двери в задней стенке.

Тип закрытого кузова легкового автомобиля с дверью в задней стенке и укороченным задним свесом.

Тип закрытого кузова легкового автомобиля с дверью в задней стенке, багажником, объединённым с салоном, и крышей багажника продлённой до заднего габарита.

Тип закрытого кузова легкового автомобиля, являющийся промежуточным между седаном, универсалом и хетчбеком. От хетчбэка он отличается большей длиной заднего свеса: у лифтбэка он по длине такой же, как у седана. Задняя часть крыши при этом может быть как покатой, так и (реже) ступенчатой, напоминающей седан.

Тип закрытого кузова легкового автомобиля с двумя дверьми, одним или двумя рядами сидений и структурно отделённым багажником, без двери в задней стенке. Объём заднего пассажирского отделения обычно не превышает 0,93 м³.

Тип кузова легкового автомобиля с откидывающимся мягким или жёстким верхом и двумя дверьми. Число мест более двух.

Тип кузова двухместного спортивного легкового автомобиля без крыши или с жёсткой крышей.

Тип кузова легкового автомобиля, являющийся разновидностью спортивного 2-местного родстера с жёстко закреплённым ветровым стеклом, дугой безопасности (roll bar) сзади сидений, съёмной крышей и задним стеклом.

Тип закрытого кузова легкового автомобиля, с жёсткой, обычно оснащённой подъёмным стеклом, перегородкой между отделением водителя и остальным салоном. Кузов удлинён в разной степени по сравнению с обычным седаном.

Тип закрытого кузова легкового автомобиля, выполненного посредством физической врезки в кузов дополнительной секции, расположенной между передними и задними дверьми, что способствует удлинению салона.

Тип закрытого кузова автомобиля, обладающий повышенной проходимостью и увеличенным просветом.

Тип закрытого кузова автомобиля, сочетающий в себе свойства внедорожника и универсала или хетчбека.

Тип кузова коммерческого двухместного автомобиля с открытой грузовой платформой.

Тип закрытого кузова коммерческого двухместного автомобиля с закрытой грузовой платформой (багажное отделение с дверью на задней стенке).

Тип закрытого кузова легкового автомобиля, совмещённый с багажным отделением, обычно — с тремя рядами сидений. Увеличенный внутренний объём салона. Максимальная вместимость салона – 8 пассажиров.

Тип закрытого кузова коммерческого автомобиля, являющегося автобусом малого класса с числом мест от 8 до 16 и непредусмотренными стоячими местами.

Нежное введение в смещение пороговых значений для несбалансированной классификации

Последнее обновление 5 января 2021 г.

Классификационное прогнозирующее моделирование обычно включает прогнозирование метки класса.

Тем не менее, многие алгоритмы машинного обучения способны предсказывать вероятность или оценку членства в классе, и это необходимо интерпретировать, прежде чем его можно будет сопоставить с четкой меткой класса. Это достигается за счет использования порога, например 0,5, где все значения, равные или превышающие пороговое значение, отображаются в один класс, а все другие значения отображаются в другой класс.

Для тех проблем классификации, которые имеют серьезный дисбаланс классов, порог по умолчанию может привести к снижению производительности. Таким образом, простой и понятный подход к повышению производительности классификатора, который предсказывает вероятности для несбалансированной проблемы классификации, заключается в настройке порога, используемого для сопоставления вероятностей с метками классов.

В некоторых случаях, например, при использовании кривых ROC и кривых точности-отзыва, лучший или оптимальный порог для классификатора может быть вычислен напрямую.В других случаях можно использовать поиск по сетке, чтобы настроить порог и найти оптимальное значение.

В этом руководстве вы узнаете, как настроить оптимальный порог при преобразовании вероятностей в четкие метки классов для несбалансированной классификации.

После прохождения этого руководства вы будете знать:

  • Порог по умолчанию для интерпретации вероятностей меток классов равен 0,5, и настройка этого гиперпараметра называется перемещением порога.
  • Как рассчитать оптимальный порог для кривой ROC и кривой точности-отзыва напрямую.
  • Как вручную искать пороговые значения для выбранной модели и метрики оценки модели.

Начните свой проект с моей новой книги «Несбалансированная классификация с Python», включая пошаговых руководств и файлы исходного кода Python для всех примеров.

Приступим.

  • Обновление от февраля 2020 г. : исправлена ​​опечатка в уравнении специфичности.
  • Обновление, январь / 2021 г. : обновлены ссылки на документацию по API.

Нежное введение в смещение пороговых значений для несбалансированной классификации
Фото Bruna cs, некоторые права защищены.

Обзор учебного пособия

Это руководство разделено на пять частей; их:

  1. Преобразование вероятностей в метки классов
  2. Порог смещения для несбалансированной классификации
  3. Оптимальный порог для кривой ROC
  4. Оптимальный порог для кривой точного вызова
  5. Оптимальная настройка порога

Преобразование вероятностей в метки классов

Многие алгоритмы машинного обучения способны предсказывать вероятность или оценку принадлежности к классу.

Обычно это полезно, поскольку обеспечивает меру достоверности или неопределенности прогноза. Он также обеспечивает дополнительную детализацию по сравнению с простым предсказанием метки класса, которую можно интерпретировать.

Для некоторых задач классификации требуется четкое предсказание метки класса. Это означает, что даже если вероятность или оценка членства в классе предсказана, она должна быть преобразована в четкую метку класса.

Решение о преобразовании предсказанной вероятности или оценки в метку класса определяется параметром, называемым «порог решения », «порог распознавания » или просто «порог ».”Значение порога по умолчанию — 0,5 для нормализованных прогнозируемых вероятностей или оценок в диапазоне от 0 до 1.

Например, в задаче двоичной классификации с метками классов 0 и 1, нормализованными предсказанными вероятностями и порогом 0,5 тогда значения меньше порога 0,5 присваиваются классу 0, а значения больше или равные 0,5 присваиваются классу. 1.

  • Прогноз <0,5 = Класс 0
  • Прогноз> = 0,5 = Класс 1

Проблема в том, что порог по умолчанию может не отражать оптимальную интерпретацию предсказанных вероятностей.

Это может быть по ряду причин, например:

  • Прогнозируемые вероятности не откалиброваны, например те, которые предсказываются SVM или деревом решений.
  • Метрика, используемая для обучения модели, отличается от метрики, используемой для оценки окончательной модели.
  • Распределение классов сильно искажено.
  • Стоимость ошибочной классификации одного типа более важна, чем неправильная классификация другого типа.

Что еще хуже, некоторые или все эти причины могут возникать одновременно, например, использование модели нейронной сети с некалиброванными прогнозируемыми вероятностями в задаче несбалансированной классификации.

Таким образом, часто возникает необходимость изменить порог принятия решения по умолчанию при интерпретации прогнозов модели.

… почти все классификаторы генерируют положительные или отрицательные прогнозы, применяя пороговое значение к оценке. Выбор этого порога повлияет на компромисс между положительными и отрицательными ошибками.

— стр. 53, Уроки несбалансированных наборов данных, 2018.

Хотите начать работу с классификацией дисбаланса?

Пройдите мой бесплатный 7-дневный ускоренный курс электронной почты (с образцом кода).

Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

Загрузите БЕСПЛАТНЫЙ мини-курс

Порог смещения для несбалансированной классификации

Существует множество методов, которые можно использовать для решения проблемы несбалансированной классификации, например повторная выборка обучающего набора данных и разработка настраиваемой версии алгоритмов машинного обучения.

Тем не менее, возможно, самый простой способ справиться с серьезным дисбалансом классов — это изменить порог принятия решения.Несмотря на простоту и эффективность, этот метод часто упускается из виду как практиками, так и учеными-исследователями, как отмечал Фостер Провост в своей статье 2000 года, озаглавленной «Машинное обучение на основе несбалансированных наборов данных».

Суть в том, что при изучении проблем с несбалансированными данными использование классификаторов, созданных стандартными алгоритмами машинного обучения, без корректировки порога вывода вполне может быть критической ошибкой.

— Машинное обучение на основе несбалансированных наборов данных 101, 2000 г.

Есть много причин выбрать альтернативу порогу принятия решения по умолчанию.

Например, вы можете использовать кривые ROC для анализа прогнозируемых вероятностей модели и оценки ROC AUC для сравнения и выбора модели, хотя вам требуются четкие метки классов от вашей модели. Как вы выбираете порог на кривой ROC, который приводит к наилучшему балансу между истинно положительным показателем и ложным положительным показателем?

В качестве альтернативы вы можете использовать кривые прецизионного отзыва для анализа прогнозируемых вероятностей модели, точного отзыва AUC для сравнения и выбора моделей и требовать четких меток классов в качестве прогнозов.Как выбрать порог на кривой точности-отзыва, обеспечивающий наилучший баланс между точностью и отзывом?

Вы можете использовать вероятностную метрику для обучения, оценки и сравнения моделей, таких как потеря журнала (кросс-энтропия), но для прогнозирования требуются четкие метки классов. Как выбрать оптимальный порог из предсказанных вероятностей в более общем плане?

Наконец, у вас могут быть разные затраты, связанные с ложноположительной и ложноотрицательной ошибочной классификацией, так называемой матрицей затрат, но вы хотите использовать и оценить нечувствительные к затратам модели, а затем оценить их прогнозы с помощью мер, чувствительных к затратам.Как выбрать порог, обеспечивающий наилучший компромисс для прогнозов с использованием матрицы затрат?

Популярный способ обучения чувствительного к стоимости классификатора без известной матрицы затрат — это акцент на изменении выходных данных классификации при прогнозировании новых данных. Обычно это делается путем установки порога для положительного класса, ниже которого прогнозируется отрицательный. Значение этого порога оптимизируется с использованием набора для проверки, и, таким образом, матрицу стоимости можно узнать из данных обучения.

— стр. 67, Уроки несбалансированных наборов данных, 2018.

Ответ на эти вопросы — поиск в диапазоне пороговых значений, чтобы найти лучший порог. В некоторых случаях оптимальный порог можно рассчитать напрямую.

Настройка или смещение порога принятия решения для соответствия более широким требованиям задачи классификации обычно упоминается как « смещение порога », « настройка порога » или просто «установка порога ».”

Было заявлено, что использование других методов, таких как выборка, без попытки простой установки порога, может ввести в заблуждение. Метод изменения порога использует исходный обучающий набор для обучения [модели], а затем перемещает порог принятия решения таким образом, чтобы легче было правильно предсказать примеры класса меньшинства.

— страницы 72, Несбалансированное обучение: основы, алгоритмы и приложения, 2013.

Процесс включает сначала подгонку модели к набору обучающих данных и построение прогнозов на наборе тестовых данных.Прогнозы имеют форму нормализованных вероятностей или оценок, которые преобразуются в нормализованные вероятности. Затем пробуются различные пороговые значения, и полученные четкие этикетки оцениваются с использованием выбранной метрики оценки. Пороговое значение, обеспечивающее наилучшую метрику оценки, затем принимается для модели при прогнозировании новых данных в будущем.

Мы можем резюмировать эту процедуру ниже.

  • 1. Подобрать модель в наборе обучающих данных.
  • 2.Прогнозирование вероятностей на тестовом наборе данных.
  • 3. Для каждого порога в Порогах:
    • 3а. Преобразуйте вероятности в метки классов, используя порог.
    • 3б. Оцените метки классов.
    • 3с. Если результат лучше, чем лучший результат.
    • 4. Используйте принятый порог при прогнозировании класса на основе новых данных.

Несмотря на простоту, существует несколько различных подходов к реализации смещения пороговых значений в зависимости от ваших обстоятельств.Мы рассмотрим некоторые из наиболее распространенных примеров в следующих разделах.

Оптимальный порог для кривой ROC

Кривая ROC — это диагностический график, который оценивает набор вероятностных прогнозов, сделанных моделью на тестовом наборе данных.

Набор различных пороговых значений используется для интерпретации вероятности истинных положительных и ложноположительных прогнозов по положительному (меньшинству) классу, и оценки наносятся на линию возрастающих пороговых значений для создания кривой.

Частота ложных срабатываний откладывается по оси x, а частота истинных положительных результатов откладывается по оси y, и график называется кривой рабочих характеристик приемника или кривой ROC. Диагональная линия на графике от нижнего левого угла до верхнего правого угла указывает «кривую » для классификатора без навыков (прогнозирует класс большинства во всех случаях), а точка в верхнем левом углу графика указывает на модель с безупречным мастерством.

Кривая полезна для понимания компромисса между частотой истинных положительных и ложноположительных результатов для различных пороговых значений.Область под кривой ROC, так называемая ROC AUC, представляет собой единое число для суммирования производительности модели с точки зрения ее кривой ROC со значением от 0,5 (без навыков) до 1,0 (без навыков).

Кривая ROC — это полезный диагностический инструмент для понимания компромисса для различных пороговых значений, а ROC AUC предоставляет полезное число для сравнения моделей на основе их общих возможностей.

Если для модели при таком анализе требуются четкие метки классов, то требуется оптимальный порог.Это будет порог на кривой, ближайшей к левому верхнему углу графика.

К счастью, есть принципиальные способы найти эту точку.

Во-первых, давайте подберем модель и рассчитаем кривую ROC.

Мы можем использовать функцию make_classification () для создания задачи синтетической двоичной классификации с 10 000 примеров (строк), 99 процентов из которых принадлежат классу большинства, а 1 процент — классу меньшинства.


# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)

# сгенерировать набор данных

X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

Затем мы можем разделить набор данных с помощью функции train_test_split () и использовать половину для обучающего набора и половину для тестового набора.


# разделить на наборы поездов / тестов
trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0,5, random_state = 2, stratify = y)

# разделить на наборы поездов / тестов

trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0.5, random_state = 2, stratify = y)

Затем мы можем подобрать модель LogisticRegression и использовать ее для прогнозирования вероятности на тестовом наборе и сохранить только прогнозы вероятности для класса меньшинства.


# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
lr_probs = model.predict_proba (testX)
# сохраняем вероятности только положительного результата
lr_probs = lr_probs [:, 1]

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

lr_probs = model.pred_proba (testX)

# сохранить вероятности только для положительного результата

lr_probs = lr_probs [:, 1]

Затем мы можем использовать функцию roc_auc_score () для вычисления частоты истинно-положительных и ложноположительных прогнозов с использованием набора пороговых значений, которые затем можно использовать для создания графика кривой ROC.


# подсчитать баллы
lr_auc = roc_auc_score (testy, lr_probs)

# подсчитать баллы

lr_auc = roc_auc_score (testy, lr_probs)

Мы можем связать все это вместе, определив набор данных, подгоняя модель и создав график кривой ROC. Полный пример приведен ниже.

Кривая # roc для модели логистической регрессии
из sklearn.datasets импортировать make_classification
из sklearn.linear_model import LogisticRegression
из sklearn.model_selection import train_test_split
из склеарна.импорт метрик roc_curve
из matplotlib import pyplot
# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0,5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
yhat = модель.pred_proba (testX)
# сохраняем вероятности только положительного результата
yhat = yhat [:, 1]
# вычислить кривые roc
fpr, tpr, thresholds = roc_curve (testy, yhat)
# построить кривую roc для модели
pyplot.plot ([0,1], [0,1], linestyle = ‘-‘, label = ‘Нет навыков’)
pyplot.plot (fpr, tpr, marker = ‘.’, label = ‘Logistic’)
# метка оси
pyplot.xlabel (‘Ложноположительная ставка’)
pyplot.ylabel (‘Истинная положительная оценка’)
pyplot.legend ()
# показать сюжет
pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

14

18

19

20

21

22

23

24

25

26

27

28

29

# кривая roc для модели логистической регрессии

из sklearn.наборы данных import make_classification

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import roc_curve

from matplotlibase import pyplot

n_features = 2, n_redundant = 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы для обучения / тестирования

trainX, testX, trainy, testy = train_test_split (X , y, test_size = 0.5, random_state = 2, stratify = y)

# соответствие модели

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

yhat = model.predict_proba (testX)

# сохранить вероятности только для положительного результата

yhat = yhat [:, 1]

# вычислить кривые roc

fpr, tpr, thresholds = roc_curve (testy, yhat)

# построить кривую roc для модели

pyplot.plot ([0,1], [0,1], linestyle = ‘-‘, label = ‘No Skill’)

pyplot.plot (fpr, tpr, marker = ‘.’, label = ‘Logistic’)

# метки оси

pyplot.xlabel (‘False Positive Rate’)

pyplot.ylabel (‘True Positive Rate’)

pyplot .legend ()

# показать график

pyplot.show ()

Выполнение примера соответствует модели логистической регрессии в наборе обучающих данных, затем оценивает ее с использованием диапазона пороговых значений на тестовом наборе, создавая кривую ROC

Мы видим, что рядом с левым верхним уголком графика есть несколько точек или пороговых значений.

Какой порог является оптимальным?

График кривой ROC для модели логистической регрессии для несбалансированной классификации

Есть много способов определить порог с оптимальным балансом между ложноположительными и истинно положительными значениями.

Во-первых, истинно положительный показатель называется Чувствительностью. Уровень, обратный ложному положительному результату, называется специфичностью.

  • Чувствительность = TruePositive / (TruePositive + FalseNegative)
  • Специфичность = TrueNegative / (FalsePositive + TrueNegative)

Где:

  • Чувствительность = истинно положительный показатель
  • Специфичность = 1 — Частота ложных срабатываний

Среднее геометрическое или G-среднее — это показатель несбалансированной классификации, который при оптимизации будет искать баланс между чувствительностью и специфичностью.

  • G-Среднее = sqrt (Чувствительность * Специфичность)

Один из подходов состоит в том, чтобы протестировать модель с каждым порогом, возвращаемым из вызова roc_auc_score (), и выбрать порог с наибольшим значением G-Mean.

Учитывая, что мы уже вычислили чувствительность (TPR) и дополнение к специфичности при вычислении кривой ROC, мы можем рассчитать G-среднее для каждого порога напрямую.


# вычисляем среднее g для каждого порога
gmeans = sqrt (tpr * (1-fpr))

# вычислить среднее g для каждого порога

gmeans = sqrt (tpr * (1-fpr))

После расчета мы можем найти индекс для наибольшего G-среднего значения и использовать этот индекс, чтобы определить, какое пороговое значение использовать.


# найти индекс наибольшего g-среднего
ix = argmax (gmeans)
print (‘Лучший порог =% f, G-Среднее =%. 3f’% (пороговые значения [ix], gmeans [ix]))

# найти индекс наибольшего g-среднего

ix = argmax (gmeans)

print (‘Best Threshold =% f, G-Mean =%. 3f’% (thresholds [ix], gmeans [ ix]))

Мы также можем перерисовать кривую ROC и выделить эту точку.

Полный пример приведен ниже.

Кривая # roc для модели логистической регрессии с оптимальным порогом
из numpy import sqrt
из numpy import argmax
из склеарна.наборы данных импорт make_classification
из sklearn.linear_model import LogisticRegression
из sklearn.model_selection import train_test_split
из sklearn.metrics импортировать roc_curve
из matplotlib import pyplot
# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, тренировочный, testy = train_test_split (X, y, test_size = 0.5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
yhat = model.predict_proba (testX)
# сохраняем вероятности только положительного результата
yhat = yhat [:, 1]
# вычислить кривые roc
fpr, tpr, thresholds = roc_curve (testy, yhat)
# вычисляем среднее g для каждого порога
gmeans = sqrt (tpr * (1-fpr))
# найти индекс наибольшего g-среднего
ix = argmax (gmeans)
print (‘Лучший порог =% f, G-Среднее =%.3f ‘% (пороги [ix], gmeans [ix]))
# построить кривую roc для модели
pyplot.plot ([0,1], [0,1], linestyle = ‘-‘, label = ‘Нет навыков’)
pyplot.plot (fpr, tpr, marker = ‘.’, label = ‘Logistic’)
pyplot.scatter (fpr [ix], tpr [ix], marker = ‘o’, color = ‘black’, label = ‘Best’)
# метка оси
pyplot.xlabel (‘Ложноположительная ставка’)
pyplot.ylabel (‘Истинная положительная оценка’)
pyplot.legend ()
# показать сюжет
pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

000

000 34

35

36

37

# кривая roc для модели логистической регрессии с оптимальным порогом

из numpy import sqrt

из numpy import argmax

из sklearn.наборы данных import make_classification

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import roc_curve

from matplotlibase import pyplot

n_features = 2, n_redundant = 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы для обучения / тестирования

trainX, testX, trainy, testy = train_test_split (X , y, test_size = 0.5, random_state = 2, stratify = y)

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

yhat = model.predict_proba (testX)

# сохранить вероятности только для положительного результата

yhat = yhat [:, 1]

# вычислить кривые roc

fpr, tpr, thresholds = roc_curve (testy, yhat)

# вычислить g- среднее значение для каждого порога

gmeans = sqrt (tpr * (1-fpr))

# найти индекс наибольшего g-среднего

ix = argmax (gmeans)

print (‘Best Threshold =% f, G -Среднее =%.3f ‘% (thresholds [ix], gmeans [ix]))

# построить кривую roc для модели

pyplot.plot ([0,1], [0,1], linestyle =’ — ‘, label = ‘No Skill’)

pyplot.plot (fpr, tpr, marker = ‘.’, label = ‘Logistic’)

pyplot.scatter (fpr [ix], tpr [ix], marker = ‘o’ , color = ‘black’, label = ‘Best’)

# метки оси

pyplot.xlabel (‘False Positive Rate’)

pyplot.ylabel (‘True Positive Rate’)

pyplot.legend ()

# показать график

pyplot.показать ()

При выполнении примера сначала определяется оптимальный порог и отображается этот порог и оценка G-среднего.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

В данном случае мы видим, что оптимальный порог составляет около 0,016153.

Лучший порог = 0.016153, среднее G = 0,933

Лучший порог = 0,016153, среднее значение = 0,933

Затем порог используется для определения истинных и ложных срабатываний, затем эта точка рисуется на кривой ROC.

Мы видим, что точка оптимального порога — это большая черная точка, которая кажется ближайшей к левому верхнему углу графика.

График кривой ROC для модели логистической регрессии для несбалансированной классификации с оптимальным порогом

Оказывается, есть гораздо более быстрый способ получить тот же результат, называемый статистикой J Юдена.

Статистика рассчитывается как:

  • Дж = Чувствительность + Специфичность — 1

Учитывая, что у нас есть Чувствительность (TPR) и дополнение специфичности (FPR), мы можем рассчитать это как:

  • Дж = Чувствительность + (1 — FalsePositiveRate) — 1

Что мы можем переформулировать как:

  • J = TruePositiveRate — FalsePositiveRate

Затем мы можем выбрать порог с наибольшим значением статистики J. Например:


# вычислить кривые roc
fpr, tpr, thresholds = roc_curve (testy, yhat)
# получить лучший порог
J = tpr — fpr
ix = argmax (Дж)
best_thresh = пороги [ix]
print (‘Лучший порог =% f’% (best_thresh))

# вычислить кривые roc

fpr, tpr, thresholds = roc_curve (testy, yhat)

# получить лучший порог

J = tpr — fpr

ix = argmax (J)

best_thresh = пороговые значения [ix]

print (‘Best Threshold =% f’% (best_thresh))

После подключения к электросети полный пример приведен ниже.

Кривая # roc для модели логистической регрессии с оптимальным порогом
из numpy import argmax
из sklearn.datasets импортировать make_classification
из sklearn.linear_model import LogisticRegression
из sklearn.model_selection import train_test_split
из sklearn.metrics импортировать roc_curve
# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, тренировочный, testy = train_test_split (X, y, test_size = 0.5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
yhat = model.predict_proba (testX)
# сохраняем вероятности только положительного результата
yhat = yhat [:, 1]
# вычислить кривые roc
fpr, tpr, thresholds = roc_curve (testy, yhat)
# получить лучший порог
J = tpr — fpr
ix = argmax (Дж)
best_thresh = пороги [ix]
print (‘Лучший порог =% f’% (best_thresh))

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

# кривая roc для модели логистической регрессии с оптимальным порогом

из numpy import argmax

из sklearn.наборы данных import make_classification

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import roc_curve

# generate dataset

10000_classification, n_client_assification = 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы поездов / тестов

trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0 .5, random_state = 2, stratify = y)

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

yhat = model.predict_proba (testX)

# сохранить вероятности только для положительного результата

yhat = yhat [:, 1]

# вычислить кривые roc

fpr, tpr, thresholds = roc_curve (testy, yhat)

# получить лучший порог

J = tpr — fpr

ix = argmax (J)

best_thresh = thresholds [ix]

print (‘Best Threshold =% f’% (best_thresh))

Мы видим, что этот более простой подход вычисляет оптимальную статистику напрямую.

Оптимальный порог для кривой точного вызова

В отличие от кривой ROC, кривая точности-отзыва фокусируется на производительности классификатора только на положительном уровне (класс меньшинства).

Точность — это отношение количества истинных положительных результатов к сумме истинных положительных и ложных срабатываний. Он описывает, насколько хороша модель в предсказании положительного класса. Отзыв рассчитывается как отношение количества истинных положительных результатов к сумме истинных положительных и ложно отрицательных результатов.Напоминание — то же самое, что и чувствительность.

Кривая точности-отзыва рассчитывается путем создания четких меток классов для предсказаний вероятности по набору пороговых значений и вычисления точности и отзыва для каждого порога. Линейный график создается для пороговых значений в порядке возрастания с отзывом по оси x и точностью по оси y.

Модель без навыков представлена ​​горизонтальной линией с точностью, которая является соотношением положительных примеров в наборе данных (например, TP / (TP + TN)) или 0.01 в нашем синтетическом наборе данных. Совершенный классификатор навыков имеет полную точность и отзывчивость с точкой в ​​правом верхнем углу.

Мы можем использовать ту же модель и набор данных из предыдущего раздела и оценить вероятностные прогнозы для модели логистической регрессии, используя кривую точности-отзыва. Функцию precision_recall_curve () можно использовать для вычисления кривой, возвращая оценки точности и отзыва для каждого порога, а также используемые пороги.


# рассчитать pr-кривую
точность, отзыв, пороги = precision_recall_curve (testy, yhat)

# вычислить pr-curve

precision, recall, thresholds = precision_recall_curve (testy, yhat)

Собирая все вместе, ниже приведен полный пример расчета кривой точности-отзыва для логистической регрессии по проблеме несбалансированной классификации.

# кривая pr для модели логистической регрессии
из sklearn.datasets импортировать make_classification
из sklearn.linear_model import LogisticRegression
из sklearn.model_selection import train_test_split
из sklearn.metrics import precision_recall_curve
из matplotlib import pyplot
# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, тренировочный, testy = train_test_split (X, y, test_size = 0.5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
yhat = model.predict_proba (testX)
# сохраняем вероятности только положительного результата
yhat = yhat [:, 1]
# рассчитать pr-кривую
точность, отзыв, пороги = precision_recall_curve (testy, yhat)
# построить кривую roc для модели
no_skill = len (вздорный [testy == 1]) / len (проворный)
pyplot.plot ([0,1], [no_skill, no_skill], linestyle = ‘-‘, label = ‘Нет навыков’)
пиплот.сюжет (отзыв, точность, маркер = ‘.’, label = ‘Logistic’)
# метка оси
pyplot.xlabel (‘Отзыв’)
pyplot.ylabel (‘Точность’)
pyplot.legend ()
# показать сюжет
pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

# кривая pr для модели логистической регрессии

из sklearn.наборы данных импортировать make_classification

из sklearn.linear_model import LogisticRegression

из sklearn.model_selection import train_test_split

из sklearn.metrics import precision_recall_curve

из matplotlibase 10000s, makedatlib

, генерировать данные n_features = 2, n_redundant = 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы для обучения / тестирования

trainX, testX, trainy, testy = train_test_split (X , y, test_size = 0.5, random_state = 2, stratify = y)

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

yhat = model.predict_proba (testX)

# сохранить вероятности только для положительного результата

yhat = yhat [:, 1]

# вычислить pr-curve

precision, recall, thresholds = precision_recall_curve (testy, yhat)

# построить roc кривая для модели

no_skill = len (testy [testy == 1]) / len (testy)

pyplot.plot ([0,1], [no_skill, no_skill], linestyle = ‘-‘, label = ‘No Skill’)

pyplot.plot (отзыв, точность, marker = ‘.’, label = ‘Logistic’)

# метки осей

pyplot.xlabel (‘Recall’)

pyplot.ylabel (‘Precision’)

pyplot.legend ()

# показать график

pyplot.show ()

При выполнении примера вычисляется точность и отзыв для каждого порога и создается график точности-отзыва, показывающий, что модель обладает некоторыми навыками в диапазоне пороговых значений в этом наборе данных.

Если бы нам потребовались четкие метки классов от этой модели, какой порог позволил бы достичь наилучшего результата?

График кривой точности-отзыва для модели логистической регрессии для несбалансированной классификации

Если нас интересует порог, обеспечивающий наилучший баланс точности и отзыва, то это то же самое, что оптимизация F-меры, которая суммирует гармоническое среднее обоих показателей.

  • F-Measure = (2 * Точность * Вызов) / (Точность + Вызов)

Как и в предыдущем разделе, наивный подход к поиску оптимального порога заключался бы в вычислении F-меры для каждого порога.Мы можем достичь того же эффекта, напрямую преобразовав меры точности и вспоминания в F-меру; например:


# преобразовать в f оценку
fscore = (2 * точность * отзыв) / (точность + отзыв)
# найти индекс наибольшего значения f
ix = argmax (fscore)
print (‘Лучший порог =% f, F-рейтинг =%. 3f’% (пороги [ix], fscore [ix]))

# преобразовать в оценку f

fscore = (2 * точность * отзыв) / (точность + отзыв)

# найти индекс наибольшей оценки f

ix = argmax (fscore)

print (‘Лучший порог =% f, F-Score =%.3f ‘% (пороги [ix], fscore [ix]))

Затем мы можем нанести точку на кривой точности-отзыва.

Полный пример приведен ниже.

# оптимальный порог для кривой точности-отзыва с моделью логистической регрессии
из numpy import argmax
из sklearn.datasets импортировать make_classification
из sklearn.linear_model import LogisticRegression
из sklearn.model_selection import train_test_split
из склеарна.импорт показателей precision_recall_curve
из matplotlib import pyplot
# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0,5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
yhat = модель.pred_proba (testX)
# сохраняем вероятности только положительного результата
yhat = yhat [:, 1]
# вычислить кривые roc
точность, отзыв, пороги = precision_recall_curve (testy, yhat)
# преобразовать в f оценку
fscore = (2 * точность * отзыв) / (точность + отзыв)
# найти индекс наибольшего значения f
ix = argmax (fscore)
print (‘Лучший порог =% f, F-рейтинг =%. 3f’% (пороги [ix], fscore [ix]))
# построить кривую roc для модели
no_skill = len (вздорный [testy == 1]) / len (проворный)
пиплот.plot ([0,1], [no_skill, no_skill], linestyle = ‘-‘, label = ‘No Skill’)
pyplot.plot (отзыв, точность, маркер = ‘.’, label = ‘Logistic’)
pyplot.scatter (вспомните [ix], precision [ix], marker = ‘o’, color = ‘black’, label = ‘Best’)
# метка оси
pyplot.xlabel (‘Отзыв’)
pyplot.ylabel (‘Точность’)
pyplot.legend ()
# показать сюжет
pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

000

000 34

35

36

37

# оптимальный порог для кривой точности-отзыва с моделью логистической регрессии

из numpy import argmax

из sklearn.наборы данных импортировать make_classification

из sklearn.linear_model import LogisticRegression

из sklearn.model_selection import train_test_split

из sklearn.metrics import precision_recall_curve

из matplotlibase 10000s, makedatlib

, генерировать данные n_features = 2, n_redundant = 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы для обучения / тестирования

trainX, testX, trainy, testy = train_test_split (X , y, test_size = 0.5, random_state = 2, stratify = y)

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

yhat = model.predict_proba (testX)

# сохранить вероятности только для положительного результата

yhat = yhat [:, 1]

# вычислить кривые roc

precision, recall, thresholds = precision_recall_curve (testy, yhat)

# преобразовать в f

fscore = (2 * точность * отзыв) / (точность + отзыв)

# найти индекс наибольшего значения f

ix = argmax (fscore)

print (‘Best Threshold =% f, F-Score знак равно3f ‘% (thresholds [ix], fscore [ix]))

# построить кривую roc для модели

no_skill = len (testy [testy == 1]) / len (testy)

pyplot.plot ( [0,1], [no_skill, no_skill], linestyle = ‘-‘, label = ‘No Skill’)

pyplot.plot (отзыв, точность, marker = ‘.’, Label = ‘Logistic’)

pyplot.scatter (вспомните [ix], precision [ix], marker = ‘o’, color = ‘black’, label = ‘Best’)

# метки осей

pyplot.xlabel (‘Recall’)

pyplot .ylabel (‘Precision’)

pyplot.legend ()

# показать график

pyplot.show ()

При выполнении примера сначала вычисляется F-мера для каждого порога, затем определяется оценка и порог с наибольшим значением.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

В этом случае мы видим, что наилучшая F-мера была 0.756 достигается с порогом около 0,25.

Лучший порог = 0,256036, F-Score = 0,756

Лучший порог = 0,256036, F-Score = 0,756

Построена кривая точности-отзыва, и на этот раз пороговое значение с оптимальной F-мерой нанесено более крупной черной точкой.

Этот порог затем можно использовать при прогнозировании вероятностей в будущем, которые должны быть преобразованы из вероятностей в четкие метки классов.

График кривой точности-отзыва для модели логистической регрессии с оптимальным порогом

Оптимальная настройка порога

Иногда у нас просто есть модель, и мы хотим напрямую узнать лучший порог.

В этом случае мы можем определить набор пороговых значений, а затем оценить прогнозируемые вероятности для каждого из них, чтобы найти и выбрать оптимальный порог.

Мы можем продемонстрировать это на рабочем примере.

Во-первых, мы можем подогнать модель логистической регрессии к нашей задаче синтетической классификации, затем спрогнозировать метки классов и оценить их с помощью F-меры, которая представляет собой гармоническое среднее значение точности и полноты.

При интерпретации вероятностей, предсказанных моделью логистической регрессии, будет использоваться порог по умолчанию 0,5.

Полный пример приведен ниже.

# логистическая регрессия для несбалансированной классификации
из sklearn.datasets импортировать make_classification
из sklearn.linear_model import LogisticRegression
из sklearn.model_selection import train_test_split
из sklearn.metrics import f1_score
# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0,5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать ярлыки
yhat = model.predict (testX)
# оценить модель
оценка = f1_score (вспыльчивый, yhat)
print (‘F-Score:% .5f’% оценка)

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

# логистическая регрессия для несбалансированной классификации

из sklearn.наборы данных import make_classification

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import f1_score

# generate dataset

9000_assatures, yy 0,

n_clusters_per_class = 1, weights = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы для обучения / тестирования

trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0 .5, random_state = 2, stratify = y)

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать метки

yhat = model.predict (testX)

# оценить модель

score = f1_score (testy, yhat)

print (‘F-Score:% .5f’% score)

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности.Попробуйте запустить пример несколько раз и сравните средний результат.

Запустив пример, мы видим, что модель достигла показателя F-Measure около 0,70 в тестовом наборе данных.

Теперь мы можем использовать ту же модель для одного и того же набора данных и вместо прямого прогнозирования меток классов мы можем прогнозировать вероятности.


# прогнозировать вероятности
yhat = model.predict_proba (testX)

# предсказать вероятности

yhat = model.predict_proba (testX)

Нам нужны только вероятности для положительного класса.


# сохраняем вероятности только положительного результата
probs = yhat [:, 1]

# сохранить вероятность только положительного результата

probs = yhat [:, 1]

Затем мы можем определить набор пороговых значений для оценки вероятностей.В этом случае мы будем проверять все пороги от 0,0 до 1,0 с размером шага 0,001, то есть мы будем проверять 0,0, 0,001, 0,002, 0,003 и так далее до 0,999.


# определить пороги
пороговые значения = arange (0, 1, 0,001)

# определить пороги

пороговые значения = arange (0, 1, 0.001)

Далее нам нужен способ использования одного порога для интерпретации предсказанных вероятностей.

Это может быть достигнуто путем отображения всех значений, равных или превышающих порог, на 1 и всех значений, меньших порога, на 0. Мы определим функцию to_labels () для этого, которая будет принимать вероятности и порог как аргумент и вернуть массив целых чисел в {0, 1}.

# применяем порог к положительным вероятностям для создания ярлыков
def to_labels (pos_probs, порог):
return (pos_probs> = threshold) .astype (‘int’)

# применить порог к положительным вероятностям для создания меток

def to_labels (pos_probs, threshold):

return (pos_probs> = threshold).astype (‘int’)

Затем мы можем вызвать эту функцию для каждого порога и оценить полученные метки с помощью f1_score () .

Мы можем сделать это в одной строке, как показано ниже:


# оценить каждый порог
scores = [f1_score (testy, to_labels (probs, t)) для t в пороговых значениях]

# оценить каждый порог

scores = [f1_score (testy, to_labels (probs, t)) для t в пороговых значениях]

Теперь у нас есть массив оценок, которые оценивают каждый порог в нашем массиве порогов.

Все, что нам нужно сделать сейчас, это найти индекс массива, который имеет наибольшую оценку (лучший F-показатель), и у нас будет оптимальный порог и его оценка.


# получить лучший порог
ix = argmax (баллы)
print (‘Порог =%. 3f, F-оценка =%. 5f’% (пороги [ix], оценки [ix]))

# получить лучший порог

ix = argmax (scores)

print (‘Threshold =%.3f, оценка F =%. 5f ‘% (пороги [ix], оценки [ix]))

Если связать все это вместе, ниже приведен полный пример настройки порога для модели логистической регрессии в наборе данных синтетической несбалансированной классификации.

# пороговое значение поиска для несбалансированной классификации
из numpy import arange
из numpy import argmax
из sklearn.datasets импортировать make_classification
из sklearn.linear_model import LogisticRegression
из склеарна.model_selection импорт train_test_split
из sklearn.metrics import f1_score

# применяем порог к положительным вероятностям для создания ярлыков
def to_labels (pos_probs, порог):
возврат (pos_probs> = порог) .astype (‘int’)

# создать набор данных
X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,
n_clusters_per_class = 1, веса = [0.99], flip_y = 0, random_state = 4)
# разделить на наборы поездов / тестов
trainX, testX, тренировочный, testy = train_test_split (X, y, test_size = 0.5, random_state = 2, stratify = y)
# соответствовать модели
model = LogisticRegression (решатель = ‘lbfgs’)
model.fit (trainX, trainy)
# прогнозировать вероятности
yhat = model.predict_proba (testX)
# сохраняем вероятности только положительного результата
probs = yhat [:, 1]
# определить пороги
пороги = диапазон (0, 1, 0,001)
# оценить каждый порог
scores = [f1_score (testy, to_labels (probs, t)) для t в пороговых значениях]
# получить лучший порог
ix = argmax (баллы)
print (‘Порог =%.3f, оценка F =%. 5f ‘% (пороги [ix], оценки [ix]))

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

31

# пороги поиска для несбалансированной классификации

из numpy import arange

из numpy import argmax

из sklearn.наборы данных import make_classification

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import f1_score

# примените порог к положительным вероятностям 9000: defaels для создания ярлыков

return (pos_probs> = threshold) .astype (‘int’)

# generate dataset

X, y = make_classification (n_samples = 10000, n_features = 2, n_redundant = 0,

n_clusters_per_class = [0.99], flip_y = 0, random_state = 4)

# разделить на наборы поездов / тестов

trainX, testX, trainy, testy = train_test_split (X, y, test_size = 0,5, random_state = 2, stratify = y)

# подобрать модель

model = LogisticRegression (solver = ‘lbfgs’)

model.fit (trainX, trainy)

# предсказать вероятности

yhat = model.predict_proba (testX)

# сохранить вероятности положительного результата только

probs = yhat [:, 1]

# определить пороги

thresholds = arange (0, 1, 0.001)

# оценить каждый порог

scores = [f1_score (testy, to_labels (probs, t)) для t в порогах]

# получить лучший порог

ix = argmax (scores)

print (‘Threshold = % .3f, F-Score =%. 5f ‘% (пороги [ix], оценки [ix]))

При выполнении примера оптимальным порогом является 0,251 (по сравнению со значением по умолчанию 0,5), при котором показатель F составляет около 0,75 (по сравнению с 0,70).

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности.Попробуйте запустить пример несколько раз и сравните средний результат.

Вы можете использовать этот пример в качестве шаблона при настройке порогового значения для вашей собственной проблемы, позволяя вам заменить вашу собственную модель, метрику и даже разрешение пороговых значений, которые вы хотите оценить.

Порог = 0,251, F-балл = 0,75556

Порог = 0,251, F-Score = 0,75556

Дополнительная литература

Этот раздел предоставляет дополнительные ресурсы по теме, если вы хотите углубиться.

Документы

Книги

API

Статьи

Сводка

В этом руководстве вы узнали, как настроить оптимальный порог при преобразовании вероятностей в четкие метки классов для несбалансированной классификации.

В частности, вы выучили:

  • Порог по умолчанию для интерпретации вероятностей меток классов равен 0,5, и настройка этого гиперпараметра называется перемещением порога.
  • Как рассчитать оптимальный порог для кривой ROC и кривой точности-отзыва напрямую.
  • Как вручную искать пороговые значения для выбранной модели и метрики оценки модели.

Есть вопросы?
Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Разберитесь с несбалансированной классификацией!

Разработка несбалансированных моделей обучения за считанные минуты

… всего несколькими строками кода Python

Узнайте, как это сделать в моей новой электронной книге: Несбалансированная классификация
с Python

Он предоставляет руководств для самообучения и сквозных проектов на:
Метрики производительности , Методы пониженной дискретизации , SMOTE , Смещение порога , Калибровка вероятности , Экономически чувствительные алгоритмы
и многое другое…

Привнесите несбалансированные методы классификации в свои проекты машинного обучения

Посмотрите, что внутри

Как добавить настройку порога принятия решения в ваши сквозные конвейеры машинного обучения | Джером Кафруни

Этот набор данных очень прост: 9 числовых (для простоты я сохраняю упорядоченные категории, такие как cp как числовые значения), 3 двоичных ( sex, fbs, exang ), 1 категориальный ( thal ) ). Мишень бинарная и несбалансированная: только 27% образцов имеют положительную метку.

Наша несбалансированная цель (изображение из документации sklego)

Я создаю быстрый конвейер, состоящий из двух конвейеров, один для числовых значений (для простоты я рассматриваю двоичные и упорядоченные категориальные признаки как числовые) и один для категориальных значений. В обучающих данных нет пропущенных значений, но на тот случай, если они появились в производстве, я включаю несколько простых вменений. Я заметил, что некоторые категории функции thal кажутся неправильными, поэтому я вручную указываю категории, которые я хочу одним горячим кодированием, чтобы sklearn не кодировал их.

В приведенном ниже коде я фактически уже использую sklego. Обычно я писал разные конвейеры для числовых и категориальных функций, затем определял списки функций, чтобы применить их, и собирал все вместе с помощью ColumnTransformer. Со sklego все немного проще: существует класс PandasTypeSelector , который может выбирать столбцы на основе их типа панд. Я просто помещаю один в начало двух конвейеров, а затем объединяю их с помощью FeatureUnion.

Теперь, когда мы закончили предварительную обработку, все, что нам нужно, это добавить модель. Это небольшой набор данных и простая проблема, поэтому я буду строить простую логистическую регрессию. Я настрою параметр регуляризации C, используя поиск по сетке, и оставлю другие параметры по умолчанию (опять же, пропуская важные части построения модели, не воспроизводите дома!).

Хорошо, теперь у нас есть обученный конвейер с парой шагов, включая простую модель. Обратите внимание, что пока мы ничего не сделали с дисбалансом, но мы готовы к интересной части!

Давайте посмотрим на прогнозы модели через призму матрицы неточностей.Обратите внимание, что, поскольку мы собираемся выполнить некоторую дополнительную настройку, мы делаем это на обучающем наборе (в реальном проекте я, вероятно, разделил бы на обучение, тестирование и проверку, чтобы все было правильно). Здесь мы начинаем использовать желтый кирпич, потому что, хотя создать такую ​​диаграмму с помощью matplotlib легко, как вы можете видеть, код намного проще с использованием класса ConfusionMatrix.

Наша матрица неточностей показывает, что у нас больше ложных отрицательных результатов, чем ложных срабатываний

Во-первых, мы видим, что эта модель образца работает нормально (средняя точность перекрестной проверки равна 0.78): точность (когда мы прогнозируем 1, как часто мы делаем это правильно?) Составляет 0,8, в то время как отзыв (сколько истинных единиц мы предсказали?) Составляет 0,67. Теперь мы спрашиваем себя: правильный ли баланс между точностью и запоминанием? Мы предпочитаем занижать или переоценивать нашу цель? В реальной жизни это когда вы связываете проблему Data Science с реальной основной проблемой бизнеса.

Теперь мы спрашиваем себя: это правильный баланс между точностью и отзывчивостью? Мы предпочитаем занижать или переоценивать нашу цель? В реальной жизни это когда вы связываете проблему Data Science с реальной основной проблемой бизнеса.

Чтобы принять это решение, мы смотрим на другую диаграмму, и именно здесь желтый кирпич действительно эффективен, предоставляя нам класс DiscriminationThreshold. Любая бинарная модель обычно выводит либо вероятность, либо оценку, которую можно использовать в качестве прокси для вероятности, а окончательный результат (0 или 1) получается путем применения порога к этой оценке. Что мы можем сделать, так это определить различные количества, которые зависят от этого порога, а затем непрерывно перемещать порог, чтобы увидеть, как эти количества увеличиваются или уменьшаются.Как правило, точность будет увеличиваться, а отзыв уменьшаться по мере увеличения порога: например, если вы установите порог на 0,9, ваша модель будет предсказывать 1 только тогда, когда 1 имеет гораздо более высокую вероятность, чем 0, поэтому вы прогнозируете меньше единиц, но имеете больше шансов оказаться правым, когда вы это сделаете.

Диаграмма, созданная классом DiscriminationThreshold

На этой диаграмме содержится много информации. Во-первых, синие, зеленые и красные линии соответствуют очень распространенным метрикам. Мы уже обсуждали точность и отзывчивость, а f1 — гармоническое среднее из двух.Мы можем видеть, что первый увеличивается, когда второй уменьшается, и есть золотая середина, где f1 является максимальным, то есть где баланс между точностью и отзывом идеален. Yellowbrick помогает нам, нанося пунктирную линию на этом идеальном пороге.

Фиолетовое количество обозначает другую величину, о которой не обязательно узнавать при изучении Data Science, но она очень важна в реальных случаях использования Data Science. Документация из желтого кирпича прекрасно описывает этот показатель:

Скорость очереди : «Очередь» — это папка для спама или почтовый ящик службы расследования мошенничества.Этот показатель описывает процент экземпляров, которые необходимо проверить. Если проверка связана с высокими затратами (например, предотвращение мошенничества), то ее необходимо минимизировать в соответствии с требованиями бизнеса; если нет (например, фильтр спама), это можно оптимизировать, чтобы почтовый ящик оставался чистым.

Наконец, полоса ошибок показывает нам неопределенность этих величин: как вы можете видеть в приведенном выше фрагменте кода, желтый кирпич переделывает модель для нас определенное количество раз (50 по умолчанию) и то, что мы видим вот медиана и полоса, соответствующие межквартильному размаху (который я установил вручную).

В нашем случае мы можем следовать поведению Yellowbrick по умолчанию, которое заключается в выборе наилучшего показателя f1 (который можно изменить с помощью аргумента argmax из DiscriminationThreshold ), что означает, что для этой конкретной проблемы нам нужен хороший баланс между точность и отзыв.

И последнее, что следует отметить: когда мы выполняли поиск по сетке, мы выбрали лучшую модель, используя average_precision , что очень важно. Если бы мы использовали оценку f1, то, например, мы бы полагались только на порог по умолчанию и, следовательно, могли бы пропустить комбинацию гиперпараметров, которые дают лучший результат f1 при другом пороге.Поэтому в я убедился, что выбрал модель с использованием метрики, не зависящей от порога, и только затем настроил порог.

В этом последнем разделе мы вернемся к обсуждению «от начала до конца». В ваших текущих несбалансированных моделях вы, возможно, уже выполняете настройку порога принятия решения. Но что будет дальше? Теперь у вас есть модель, которая предсказывает вероятность или оценку, и бинарное предсказание, и вы знаете, что этому бинарному предсказанию нельзя доверять, потому что вы хотите переопределить порог по умолчанию.

Но как именно преодолеть этот порог? Что ж, я довольно долго зацикливался на этой проблеме. В серии моделей, которые я запускаю в производство, мы сохраняем этот идеальный порог где-нибудь, например, в переменной среды в среде развертывания, затем вызываем метод модели pred_proba () и применяем порог. Поддерживать это намного труднее, чем кажется, потому что вам нужно беспокоиться о двух вещах: модели и ее пороге. Всякий раз, когда вы повторно развертываете новую версию модели, вы должны обязательно иметь при себе порог… Как ни странно, в репозитории sklearn уже более 5 лет существует проблема!

Что ж, как я уже упоминал в начале этой статьи, всякий раз, когда вы думаете: «Я бы хотел, чтобы sklearn сделал это…», проверьте sklego!

Приведенный выше фрагмент кода труднее читать, но он действительно полезен! Во-первых, мы извлекаем лучший порог из визуализатора желтого кирпича, обращаясь к базовому массиву оценок cv для нашей выбранной метрики (здесь, визуализатор .argmax равно f1 ) и получает его argmax () . Это дает нам позицию лучшего порога в массиве visualizer.thresholds_ . Насколько мне известно (напишите, пожалуйста, комментарий, если есть способ лучше!), Это единственный способ получить лучший порог, напечатанный ранее желтым кирпичом (пунктирная линия).

Получив это, мы определяем наш финальный конвейер, который состоит из всех шагов начального (настроенного) конвейера ( * best_model [: - 1] ), за которым следует объект Thresholder, который является оболочкой вокруг нашего модель sklearn, которая применяет указанный порог.Когда мы вызываем .predict () в этом конвейере, Thresholder позаботится о применении правильного порога вместо порога 0,5 по умолчанию.

И все! Теперь у нас есть полный конвейер, который не только выполняет всю предварительную обработку (потому что люди, обращающиеся к вашей модели, не должны знать, что вы выполняете масштабирование или одно горячее кодирование), но и использует лучший порог для вашей бизнес-задачи (потому что мы не хотим либо занижать, либо переоценивать нашу цель), и внедряет этот порог непосредственно в модель, выполняя обещание более полной модели!

Настройка статических пороговых значений для точек данных

Обзор

Получение слишком большого количества бессмысленных предупреждений LogicMonitor может в конечном итоге привести к тому, что люди проигнорируют важные предупреждения.С другой стороны, отсутствие ключевого предупреждения может привести к простою обслуживания или даже к отключению. Один из способов избежать обеих этих нежелательных ситуаций — настроить пороговые значения статических точек данных для вашей уникальной среды.

Datapoints, как определено источниками данных, не являются единственными источниками предупреждений (например, предупреждения могут создаваться отслеживаемыми веб-сайтами, источниками событий и т. Д., Как обсуждается в разделе Что делает предупреждение LogicMonitor?), Но они являются наиболее распространенными триггерами предупреждений и , поэтому внесение необходимых корректировок может иметь большое значение для уменьшения нежелательного предупреждающего шума.

Статический порог точки данных состоит из таймфрейма; метод сравнения и оператор; и до трех пороговых значений для срабатывания предупреждений разных уровней серьезности.

При разработке источников данных LogicMonitor выполняет большую часть работы за вас, устанавливая пороговые значения статических точек данных по умолчанию на основе опубликованной документации и ключевых показателей эффективности, лучших отраслевых практик, исследований, многолетнего опыта и отзывов клиентов. Это означает, что для большинства ресурсов, которые вы отслеживаете с помощью источников данных LogicMonitor, предупреждения запускаются сразу же после установки и, как правило, имеют смысл.

Однако LogicMonitor не может установить пороговые значения точек данных, которые подходят для каждого случая использования. Чтобы гарантировать, что ваша реализация предупреждений будет достаточной и не будет шумной, вы можете постоянно уточнять пороговые значения точек данных по умолчанию для используемых вами источников данных.

Примечание. LogicMonitor также поддерживает динамические пороговые значения для точек данных (по сравнению с назначенными вручную статическими пороговыми значениями, упомянутыми в этой статье). Динамические пороги вычисляются алгоритмами и автоматически запускают предупреждения, когда значения точек данных считаются аномальными (то есть, когда значения выходят за пределы ожидаемого диапазона, основанного на исторической истории точек данных).В зависимости от вашего варианта использования включение динамических пороговых значений вместо (или в дополнение к) статических пороговых значений может быть отличной стратегией оповещения. Для получения дополнительной информации см. Включение динамических пороговых значений для точек данных.

Примечание: Другие настройки точки данных (в дополнение к статическим и динамическим пороговым значениям), которые могут повлиять на шум предупреждений, включают интервалы срабатывания предупреждений (т.е. сколько последовательных циклов опроса должно быть превышено пороговое значение, чтобы сработало предупреждение), интервалы сброса предупреждений (я.е. сколько последовательных циклов опроса значения точек данных должны оставаться ниже порогового значения, прежде чем предупреждение будет очищено), и поведение предупреждения «Нет данных» (т.е. должно ли отсутствие ожидаемых данных вызывать предупреждение?). Как обсуждалось в обзоре Datapoint, эти параметры настраиваются из глобального определения источника данных.

Определение уровня, на котором должны корректироваться пороговые значения статических точек данных

Прежде чем настраивать пороговые значения точек данных, важно сначала определить, на каком уровне они должны быть скорректированы:

  • Уровень определения Global DataSource. Пороговые значения, настраиваемые на глобальном уровне, каскадно снижаются до каждого экземпляра (по всем ресурсам), к которому применяется источник данных.
  • Уровень группы ресурсов. Пороговые значения, скорректированные на уровне группы ресурсов, каскадно снижаются до всех экземпляров для всех ресурсов в группе ресурсов (и ее подгруппах).
  • Уровень экземпляра. Пороговые значения, настраиваемые на уровне экземпляра, можно настроить для применения к одному экземпляру на одном ресурсе, нескольким экземплярам на одном ресурсе или ко всем экземплярам на одном ресурсе.

Например, если вы хотите, чтобы скорректированные пороговые значения применялись ко всем соответствующим ресурсам в вашей сетевой инфраструктуре (т. Е. К каждому отдельному экземпляру, к которому может быть применен источник данных), вы должны скорректировать пороги на глобальном уровне — в определении источника данных. сам. Глобальная настройка рекомендуется, когда большинство экземпляров в вашей инфраструктуре выиграют от настройки. В качестве альтернативы, если скорректированные пороги применимы только к одному экземпляру одного ресурса, вы должны настроить пороги на уровне экземпляра.

Пороговые значения статических точек данных каскадно снижаются с глобального уровня. Однако, если альтернативные пороговые конфигурации встречаются на более глубоких уровнях дерева ресурсов, эти более глубокие конфигурации переопределяют те, которые были обнаружены на более высоком уровне. Например, пороговые значения, установленные на уровне экземпляра, полностью переопределяют те, которые установлены на уровне группы ресурсов и на глобальном уровне, а пороговые значения, установленные на уровне группы, переопределяют установленные на глобальном уровне.

В следующей таблице показано, какой набор конфигураций пороговых значений будет использоваться при оценке точки данных.При интерпретации таблицы предположите, что выполняются следующие условия:

  • Оцениваемая точка данных принадлежит источнику данных D
  • Оцениваемая точка данных находится в экземпляре A
  • Экземпляр A находится на ресурсе, который является членом групп ресурсов B и C
  • Группы ресурсов B и C являются одноуровневыми в дереве ресурсов; группа ресурсов B была создана до группы ресурсов C
Конфигурации пороговых значений, присутствующие на разных уровнях Конфигурации, которые имеют приоритет для точки данных на экземпляре A
Экземпляр A Группа ресурсов B Группа ресурсов C Источник данных D
Нет Есть Конфигурации, заданные в глобальном определении источника данных D, будут унаследованы и применены.
Нет Есть Есть Конфигурации, установленные для группы ресурсов C, будут унаследованы и применены.
Нет Есть Есть Конфигурации, установленные для группы ресурсов B, будут унаследованы и применены.
Нет Есть Есть Есть Конфигурации, установленные для группы ресурсов B, будут унаследованы и применены.(Когда ресурс принадлежит к двум родственным группам ресурсов, это группа ресурсов, которая была создана первой — в данном случае группа ресурсов B — чьи конфигурации имеют приоритет.)
Есть Есть Есть Есть Будут применены конфигурации, заданные для экземпляра A.

Настройка на глобальном уровне

Настройка пороговых значений точек данных на глобальном уровне выполняется в определении источника данных. Доступ к определению DataSource можно получить, перейдя в Settings | Источники данных или щелкнув гиперссылку Изменить глобальное определение , которая доступна при просмотре данных источника данных или экземпляра из дерева ресурсов.

В режиме редактирования определения источника данных вы можете просматривать и редактировать все точки данных, связанные с этим источником. Наиболее эффективный способ редактирования пороговых значений статических точек данных — с помощью мастера, который доступен, щелкнув значок управления слева от точки данных и в появившемся диалоговом окне затем нажав кнопку Wizard , которая находится рядом с . Поле порога оповещения . Дополнительные сведения о настройке мастера пороговых значений см. В разделе «Использование мастера пороговых значений» этой статьи поддержки.

Настройка на уровне группы ресурсов

Настройка пороговых значений точек данных на уровне группы выполняется на странице «Ресурсы». Перейдите к группе ресурсов в дереве ресурсов и откройте ее вкладку «Настройка предупреждений». Разверните источник данных, которому принадлежит точка данных, и в появившемся списке точек данных щелкните значок карандаша в столбце «Статический порог» для нужной точки данных, чтобы открыть мастер ее порогового значения. Дополнительные сведения о настройке мастера пороговых значений см. В разделе «Использование мастера пороговых значений» этой статьи поддержки.

Примечание: Как упоминалось ранее, пороговые значения на уровне группы полностью перекрывают любые глобальные пороги. Если вы создаете пороговые значения, основанные на времени, которые применяются к определенному времени дня (обсуждается в следующем разделе Использование мастера пороговых значений в этой статье поддержки), важно, чтобы для всего временного окна, для которого вы хотите получать предупреждения, были установлены пороговые значения на этом уровне. групповой уровень.

Настройка на уровне экземпляра

Настройка пороговых значений статических точек данных на уровне экземпляра выполняется на странице «Ресурсы».Как обсуждается далее, существуют разные точки входа для настройки на уровне экземпляра, в зависимости от того, является ли владеющий DataSource одним или несколькими экземплярами DataSource, и организованы ли несколько экземпляров, если они есть, в группы экземпляров.

Примечание: Как упоминалось ранее, пороговые значения на уровне экземпляра полностью переопределяют любые пороги группового или глобального уровня. Если вы создаете пороговые значения на основе времени, которые применяются к определенному времени дня (обсуждается в следующем разделе Использование мастера пороговых значений в этой статье поддержки), важно, чтобы для всего временного окна, для которого вы хотите получать предупреждения, были установлены пороговые значения в этом уровень экземпляра.

Настройка порога точки данных для единственного экземпляра

Чтобы настроить порог статической точки данных для одного экземпляра DataSource (и, следовательно, одного экземпляра), перейдите к DataSource в дереве ресурсов. (Ресурс, в который вложен источник данных, имеет значение, поскольку вы обновляете только тот экземпляр, который относится к этому конкретному ресурсу.) Откройте вкладку «Настройка предупреждений», найдите точку данных, порог которой вы хотите изменить, и щелкните значок карандаша в Столбец «Статический порог».Откроется мастер пороговых значений, который подробно обсуждается в разделе «Использование мастера пороговых значений» этой статьи поддержки.

Чтобы настроить порог для одного экземпляра источника данных с несколькими экземплярами, перейдите к экземпляру в дереве ресурсов, откройте его вкладку «Настройка предупреждений», найдите точку данных, порог которой вы хотите изменить, и щелкните значок карандаша в Столбец «Статический порог». Откроется мастер пороговых значений, который подробно обсуждается в разделе «Использование мастера пороговых значений» этой статьи поддержки.

Настройка порога точки данных для нескольких экземпляров одновременно

Помимо настройки пороговых значений статических точек данных для одного экземпляра, вы также можете настроить пороговые значения для нескольких экземпляров одновременно. Это экономит время, если вашей конечной целью является настройка пороговых значений для всех экземпляров (или подмножества экземпляров, называемых группой экземпляров), обнаруженных на ресурсе. Для получения дополнительной информации о группах экземпляров см.
Группы экземпляров.

Чтобы настроить несколько экземпляров одновременно, используйте дерево ресурсов для перехода либо к источнику данных с несколькими экземплярами (при условии, что вы хотите настроить все экземпляры ресурса одновременно) или к одной из его групп экземпляров (предполагая, что вы хотите настроить только подмножество экземпляров).Откройте вкладку «Настройка предупреждений», найдите точку данных, порог которой вы хотите изменить для всех экземпляров в ресурсе или группе экземпляров, и щелкните значок карандаша в столбце «Статический порог». Откроется мастер пороговых значений, который подробно обсуждается в разделе «Использование мастера пороговых значений» этой статьи поддержки.

Использование мастера пороговых значений

Самый тщательный метод добавления или настройки пороговых значений статических точек данных — использование мастера пороговых значений. Как описано в предыдущем разделе этой статьи поддержки, есть много способов добраться до этого мастера, в зависимости от уровня, на котором вы хотите применить свои настройки.

При открытии мастера пороговых значений вы увидите любые пороговые значения, установленные в настоящее время для точки данных, в порядке сверху вниз в соответствии с иерархическим уровнем. Например, если вы просматриваете пороги, установленные для точки данных для одного экземпляра, вы сначала увидите пороги уровня экземпляра (если есть), затем пороги группы ресурсов (если есть), а затем глобальные пороги. LogicMonitor оценивает пороги в том порядке, в котором они отображаются, что означает, что пороги уровня экземпляра переопределяют пороги уровня группы ресурсов, которые переопределяют глобальные пороги, как обсуждалось в предыдущем разделе «Определение уровня, на котором должны корректироваться пороги статических точек данных». статья поддержки.

Эффективный порог точки данных для показанного здесь экземпляра — это порог, указанный первым. Пороговые значения также устанавливаются для группы ресурсов, членом которой является экземпляр, а также для глобального источника данных, который применяется к экземпляру. Но поскольку эти пороговые значения установлены на более широком уровне, LogicMonitor будет оценивать порог уровня экземпляра, чтобы определить, находится ли этот экземпляр в состоянии предупреждения.

Вы можете редактировать или добавлять пороги только на том уровне, с которого вы пришли к мастеру пороговых значений.Например, если вы открыли мастер пороговых значений из определения глобального источника данных, то для добавления / редактирования доступны только глобальные пороги. Если вы пришли к мастеру пороговых значений из конфигураций группы ресурсов, то для добавления / редактирования доступны только пороговые значения группы ресурсов.

Когда вы дойдете до мастера пороговых значений, выполните следующие действия, чтобы добавить или отредактировать порог для точки данных:

  1. Если вы редактируете существующий порог, щелкните стрелку слева, чтобы развернуть его настройки.Если вы добавляете новый порог (либо на другом уровне, либо на том же уровне, но для другого периода времени), щелкните значок плюса.

  2. Если вы хотите, чтобы порог действовал в течение более узкого временного интервала, чем временной интервал по умолчанию «Весь день», откройте раскрывающийся список, чтобы выбрать время начала. Затем выберите время окончания во втором появившемся раскрывающемся списке.

    Примечание: Несколько наборов пороговых значений могут существовать на одном уровне только в том случае, если они определяют разные временные рамки.

  3. Выберите метод сравнения. Доступны следующие методы:
    • Стоимость. Сравнивает значение точки данных с пороговым значением
    • Дельта. Сравнивает разницу между текущим и предыдущим значением точки данных с пороговым значением
    • NaNDelta Работает так же, как дельта, но обрабатывает значения NaN как 0
    • Абсолютное значение Сравнивает абсолютное значение точки данных с пороговым значением
    • Абсолютная дельта Сравнивает абсолютное значение дельты между текущим и предыдущим значениями точки данных с порогом
    • Absolute NaNDelta Работает так же, как абсолютная дельта, но обрабатывает значения NaN как 0
    • Абсолютная дельта% Сравнивает абсолютное значение процентного изменения между текущим и предыдущим значениями точки данных с пороговым значением
  4. Выберите оператор сравнения.
  5. Для одного или нескольких уровней серьезности укажите значение, которое будет активировать это предупреждение.

    Примечание: Если вы добавляете одно и то же пороговое значение к нескольким уровням серьезности, более высокий уровень важности имеет приоритет. Например, если вы установите пороги уровня серьезности предупреждения и ошибки равными 100, то значение точки данных, равное 100, вызовет предупреждение об ошибке.

    Примечание: Если значение точки данных перескакивает с более низкого уровня серьезности на более высокий, счетчик интервалов срабатывания оповещения (количество последовательных интервалов сбора, для которых должно существовать условие оповещения до срабатывания оповещения) сбрасывается, поскольку обсуждается в обзоре Datapoint.

  6. Нажмите кнопку Сохранить и закрыть .
  7. Вам будет предложено ввести примечание, описывающее цель изменения. Как обсуждалось в разделе «Журнал истории пороговых значений и отчеты» этой статьи поддержки, это примечание добавляется в журнал истории пороговых значений.

Журнал истории пороговых значений и отчеты

Журнал истории пороговых значений

Каждый раз, когда пороговое значение добавляется или редактируется мастером, отображается запрос с запросом сведений об изменении.Информация, введенная в этом запросе, вместе с меткой времени и именем пользователя, добавляется в журнал истории пороговых значений, который отображается в нижней части мастера.

Примечание: При редактировании пороговых значений на уровне определения глобального источника данных, сам источник данных должен быть в конечном итоге сохранен (требуя сохранения на уровне мастера, уровне диалогового окна точки данных и, в конечном итоге, на уровне источника данных), чтобы сохранить историю пороговых значений. журнал будет обновлен.

Отчет о пороговых значениях предупреждений

Отчет «Пороговые значения предупреждений» обеспечивает видимость пороговых значений статических точек данных, установленных на платформе LogicMonitor.Он сообщает о пороговых значениях, действующих для нескольких ресурсов, включая подробные сведения о пороговых значениях, которые были переопределены, и ресурсах, для которых отключено оповещение. Чтобы узнать больше об этом отчете, см. Отчет о пороговых значениях предупреждений.

Примеры

Далее приведены некоторые примеры конфигураций пороговых значений статических точек данных и то, как они будут применяться на платформе LogicMonitor.

Пример 1: Global Datapoint Threshold


Есть два набора пороговых значений, установленных на глобальном уровне для этой точки данных.Каждый порог активен в разные временные окна дня (обратите внимание, как метки пороговых значений совпадают с часовой шкалой времени, которая проходит в нижней части мастера). Если показатели ЦП для этой точки данных достигают 90 в любой момент в течение дня, срабатывает предупреждение. Однако с 9:00 до 20:00 предупреждение будет срабатывать при 80 вместо 90.

Пример 2: Пороговое значение точки данных группы ресурсов


Основываясь на предыдущем примере (пример 1), существует три набора пороговых значений, установленных на уровне группы ресурсов «Windows Server» для этой точки данных.Если показатели ЦП для любых устройств в этой конкретной группе ресурсов достигают 75 в период с 5:00 до 21:00 по тихоокеанскому времени, срабатывает предупреждение. В оставшиеся часы дня другие предупреждения не будут срабатывать, поскольку пороговые значения на уровне группы полностью переопределяют пороги глобального уровня.

Пример 3: Пороговое значение для экземпляра Datapoint


Основываясь на двух предыдущих примерах (примеры 1 и 2), существует четыре набора пороговых значений, установленных на уровне экземпляра WinCPU для этой точки данных.Если показатели ЦП для этого конкретного экземпляра достигают 50 в любой момент в течение дня, срабатывает предупреждение. Хотя для этого экземпляра перечислены другие пороговые значения, которые относятся к группе ресурсов, членом которой является экземпляр, и источнику данных, который применяется к экземпляру, порог уровня экземпляра всегда будет единственным, когда-либо оцениваемым, не только потому, что он установлен. для «Весь день», но также потому, что пороговые значения на уровне экземпляра полностью переопределяют пороги на групповом и глобальном уровне.

7. Настройка порогов статических точек данных

Получение слишком большого количества бессмысленных предупреждений LogicMonitor может в конечном итоге привести к тому, что люди проигнорируют важные предупреждения. С другой стороны, отсутствие ключевого предупреждения может привести к простою обслуживания или даже к отключению. Ключом к тому, чтобы избежать обеих этих нежелательных ситуаций, является настройка пороговых значений точек данных для вашей уникальной среды.

LogicMonitor выполняет большую часть работы за вас, устанавливая статические пороговые значения по умолчанию на основе опубликованной документации и ключевых показателей эффективности, лучших отраслевых практик, исследований, многолетнего опыта и отзывов клиентов.Это означает, что для большинства ресурсов, которые вы отслеживаете с помощью источников данных LogicMonitor, оповещения запускаются сразу же после установки.

Однако невозможно установить пороговые значения для точек данных, подходящие для каждого случая использования. Чтобы гарантировать, что ваша реализация предупреждений будет достаточной и не будет шумной, вы можете постоянно уточнять пороговые значения точек данных по умолчанию для используемых вами источников данных. Это называется порогами настройки и подробно обсуждается в разделе «Настройка статических пороговых значений для точек данных».

Примечание: Другие настройки точек данных (в дополнение к статическим пороговым значениям точек данных), которые могут повлиять на шум предупреждений, включают динамические пороги, интервалы срабатывания предупреждений (т.е. сколько последовательных циклов опроса должно быть превышено пороговое значение, чтобы сработало предупреждение), предупреждение интервалы очистки (т.е. сколько последовательных циклов опроса значения точек данных должны оставаться ниже порогового значения, прежде чем предупреждение будет очищено) и поведение предупреждения «Нет данных» (т.е. должно ли отсутствие ожидаемых данных вызывать предупреждение?).Как обсуждалось в обзоре Datapoint, эти параметры настраиваются из глобального определения источника данных.

Демо

Следующая демонстрация показывает, как настроить статические пороги на глобальном уровне и уровне экземпляра. Хотя в этой демонстрации представлена ​​более старая версия платформы LogicMonitor, вы все равно можете обнаружить, что предоставленная общая информация очень полезна для вашего понимания настройки пороговых значений.

Как настроить пороги и ограничить количество уведомлений — Поддержка

Зачем нужен тюнинг

Любую систему мониторинга, включая op5 Monitor, необходимо настроить в соответствии с конкретными потребностями вашей организации.В этом руководстве описываются основы определения источника (источников) ваших уведомлений и настройки пороговых значений и конфигурации, чтобы избавиться от ложных / неинтересных или преувеличенных предупреждений («сигналов тревоги» / уведомлений). Новая установка определенно нуждается в настройке, но также рекомендуется регулярно создавать отчеты, чтобы предотвратить переполнение уведомлениями.

Базовый рабочий процесс

При настройке конфигурации монитора op5 вы выполняете три основных шага:

  • Создайте отчет для определения ваших основных производителей предупреждений
  • Примите решение, что делать (используйте таблицу ниже )
Если? тогда?
проблема должна быть устранена или будет устранена подтвердит наличие проблемы и / или отключит уведомления и / или активные проверки хоста / службы.
это ложный / неинтересный или преувеличенный источник предупреждений. Определите, что нужно отрегулировать, и установите / используйте новые пороговые значения, периоды времени, таймауты и check_attempts.
  • Выполните изменение конфигурации или подтвердите проблему (используйте комментарии).

Сводка предупреждений

Во-первых, создайте сводный отчет по оповещениям, используя предложенный путь щелчка / параметры ниже.

Отчет

-> «Сводка» -> «Создать сводный отчет»

Тип отчета: Самые популярные производители жестких предупреждений
Период отчета: последние 7 дней
Типы состояний: жесткие состояния
(поскольку уведомления генерируются только при жестких состояниях (последняя проверка_атемпт)
Состояния хоста: состояния проблем хоста
Состояния обслуживания: состояния проблем службы

-> «Создать сводный отчет!»

В полученном вами отчете перечислены основные источники предупреждений, приводящих к уведомлениям о проблемных состояниях, т.е.e, оповещения, о которых вы получаете SMS и / или по электронной почте.

В поисках проблемы

Если один из перечисленных вами основных производителей предупреждений оказывается не актуальной проблемой, вам необходимо выяснить, почему, когда и как часто возникает ложная / неинтересная или преувеличенная «проблема», чтобы иметь возможность скорректировать вашу конфигурацию.

Здесь пригодятся некоторые виды в Monitor. Используя сводный отчет по оповещениям в качестве отправной точки, вы можете щелкнуть имя хоста / службы в отчете, чтобы перейти на страницы информации о хосте / службе.На информационных страницах вы можете:

  • взгляните на простые графики (для наиболее распространенных услуг)
  • посмотрите, как долго у вас была проблема (Current State Duration)
  • читайте любые комментарии по поводу хоста / сервиса
  • достичь еще более подробного представления о проблеме:

Просмотреть отчет о доступности для этого хоста / службы: создает отчет о доступности, в котором можно увидеть масштаб проблемы (часы / минуты общего незапланированного простоя)

Просмотр тенденций для этого хоста / службы: дает обзор того, когда, как часто и как долго возникает проблема.

Просмотр истории предупреждений для этого хоста / службы: дает вам очень подробный список всех событий предупреждений. Эта информация часто требуется, чтобы определить, какой порог вызвал срабатывание предупреждения.

Внесение корректировок


В зависимости от того, какие выводы вы сделали о производителе предупреждений, вам теперь необходимо внести некоторые изменения в вашу конфигурацию. Две распространенные проблемы и решения перечислены ниже. Конечно, можно внести множество корректировок.Некоторые другие часто настраиваемые параметры перечислены под таблицей.

Если? тогда?
вы получаете много уведомлений в резервные часы? создать новый период времени, исключая часы резервного копирования, и использовать его как check_period и / или notification_period для хоста / службы.
вы получаете много уведомлений о PING-сервисах на дальнем конце ваших WAN-соединений?
  1. поместил все хосты с одной и той же проблемой в группу хостов.
  2. Создайте более терпимую службу (путем редактирования службы или создания нового шаблона, используемого службой). Установите более высокие пороги тайм-аута, предупреждения или критические значения
  3. Клонируйте новую службу в новую группу узлов.

Другие часто настраиваемые параметры (подробности см. В линейной справке или руководстве):

max_check_attempts
normal_check_interval
retry_check_interval

Настройка порогов активации объясняет гибкость отбора и развития Т-клеток в тимусе

Незрелые CD4 + CD8 + тимоцитов, экспрессирующих
Рецепторы Т-клеточного антигена (TCR) отбираются посредством TCR-опосредованного распознавания
пептидов, связанных с молекулами основных комплексов гистосовместимости
на стромальные клетки тимуса.Отбор обеспечивает реактивность зрелого
клетки к чужеродным антигенам и толерантность к себе. Хотя многое было
узнали о факторах, определяющих, будет ли тимоцит с
данная специфика будет положительно или отрицательно выбрана, отбор
как аспект процесса развития в целом меньше
понятно хорошо. Здесь мы используем модель, в которой тимоциты настраивают свои
характеристики отклика индивидуально и динамично в процессе
разработка. Развитие и отбор клеток обусловлены:
рецепторно-опосредованные метаболические нарушения.Возмущение — это мера
чистое внутриклеточное изменение, вызванное внешней стимуляцией. Это
является результатом объединения нескольких сигналов и контрсигналов по
время и, следовательно, зависит от окружающей среды и стадии созревания
ячейки. Индивидуальная клеточная адаптация ограничивает диапазон
возмущения. Такая адаптация снижает чувствительность тимоцитов к
уровень стимуляции как таковой , но реагирует на
изменения окружающей среды на этом уровне. Эта формулировка начинает объяснять
механизмы, которые связывают события развития и отбора с каждым
Другой.

Судьба предшественников Т-клеток, развивающихся в тимусе, может быть
в значительной степени определяется интенсивностью рецептор-опосредованных взаимодействий
со стромальными клетками (1). В частности, «положительный отбор» [из
функциональный, главный комплекс гистосовместимости (MHC) — ограниченный,
самотолерантные Т-клетки] и «отрицательный отбор» (сильно
аутореактивные клетки) включают встречи с эпителиальными клетками тимуса и
с антигенпрезентирующими клетками кроветворного происхождения соответственно;
исход этих встреч (смерть из-за пренебрежения против
выживание и дифференциация; апоптоз против выживания)
зависит от уровня стимуляции (1).Недавно были
несколько попыток лучше определить количественные и качественные аспекты
«уровня стимуляции» в контексте отбора тимоцитов и
Активация Т-клеток. Ранее нами была предложена модель «настраиваемая
модель порога активации (ТАТ) »(2), которая приписывается тимоцитам
и для созревания Т-клеток степень адаптивности, позволяющая этим клеткам
настроить и отрегулировать их реакцию в соответствии с уровнем и качеством
стимуляция, которую они испытывают. Концепция настраиваемой активации
порог был недавно принят другими исследователями для объяснения
их экспериментальные результаты (3–6).Здесь мы обсуждаем, как модель может
помочь нам лучше понять взаимосвязь между развитием и
отбор Т-клеток в тимусе и, в частности, как это объясняет
замечательная гибкость процесса.

О динамической взаимосвязи между развитием Т-клеток и
Выбор

Обычная картина, наблюдаемая при развитии нелимфоидных клеток:
что после индукции экспрессии нового рецептора полный комплемент
рецепторов экспрессируется на мембране клетки за короткое время.Напротив, количество рецепторов Т-клеточного антигена (TCR) при созревании,
двойные положительные (CD4 + CD8 + ) тимоциты
изначально низкий и постепенно увеличивается, достигая почти полного
выражение в приближении времени к приверженности либо
CD4 + CD8 или
CD4 Фенотип CD8 + . Значение
фаза постепенного увеличения неизвестна. Еще более интригует
в свете открытия, что экспрессия TCR активно ограничена
на этом этапе (7).

Мы предлагаем постепенное увеличение числа TCR и гибкость
В выделении тимоцитов проявляются родственные явления:
фаза постепенного увеличения необходима ( и ) для выживания
незрелые тимоциты; ( ii ) для эффективного выбора
особенности; и ( iii ) для надлежащего регулирования
сам процесс развития.

(

i ) Выживание.

Дело в том, что селекция тимуса
начинается в незрелых тимоцитах, экспрессия которых незначительна, но увеличивается.
уровни TCR позволяют клеткам адаптироваться, и поэтому
функционально толерантны к уровню аутоантигенов, присутствующих в их
окружающая обстановка; когда уровень стимуляции увеличивается слишком резко,
клетка аномально активируется и умирает.В то же время увеличение
количество TCR постепенно замещает другие молекулы клеточной поверхности в
роль обеспечения стимуляции для поддержания жизнеспособности. Такая замена
параллельна изменению сигнальной среды по мере миграции клеток
через вилочковую железу. Клетки, которые не удается повторно стимулировать выше
минимальный уровень претерпевает апоптоз и «умирает от
пренебрегать.»

(

ii ) Выбор.

Этот процесс акклиматизации
ориентированы на базовые уровни стимуляции отдельных клеток с
разные особенности.Следовательно, это не может быть полностью
запрограммировано заранее. Вместо этого потребуется регулируемый
сигнально-трансдукционный механизм, транслирующий различные внешние
уровни стимуляции в относительно однородные внутриклеточные сигналы.
Настройка пороговых значений облегчает именно такой механизм (см. Ниже):
положительный отбор таким образом приспособлен к широкому диапазону
сродства, числа TCR, концентрации лиганда и другие параметры.
Более того, настройка порога позволила бы некоторым из менее чрезмерно
аутореактивные тимоциты выживают дольше других, так что отрицательные
отбор может происходить как на ранних, так и на поздних сроках созревания.

(

iii ) Разработка.

Развитие Т-клеток включает
динамический перекрестный обмен между тимоцитами и стромальными клетками. Отличительная черта
процесса развития — это постепенное приобретение большего
и более сфокусированная способность обоих типов клеток взаимодействовать с
друг с другом. Тимоциты необходимо стимулировать с помощью комплексов CD3 / TCR,
не только для дифференциации и созревания, но и для индуктивного
сигналы для созревания и поддержания интратимической среды
(8).Введение модификаций развития и функциональных
активность созревающих тимоцитов, вероятно, требует четко определенных и
количественно сбалансированные внутриклеточные сигналы. Опять же, это было бы
значительно облегчается гипотетическим механизмом чувствительности
корректирование. При этом правила адаптации и межсигнала
Конкурс, предлагаемый ниже, позволяет использовать специальный элемент в разработке
которые могут помочь объяснить разнообразие и индивидуальную неповторимость
пути развития.

Таким образом, выживание тимоцитов требует успешной адаптации к тимусу.
микросреды. На наш взгляд, постепенное изменение количества
TCR — отличительная черта хорошо контролируемого адаптивного
процесс. В таком процессе тимоциты с рядом различных TCR
могут регулировать свою реакцию таким образом, чтобы
устойчивая жизнеспособность и взаимная толерантность по отношению к тимусу
стромальные аналоги.

Пороги активации и значение подпорога
Отзывы

В лимфоцитах могут возникать сигналы различной интегрированной силы.
качественно разные клеточные ответы, подразумевая, что разные
клеточные функции имеют разные пороги активации.Существование
разных пороговых значений для разных клеточных ответов изначально
постулируется как новый способ объяснения дискриминации между собой (9).
Идея заключалась в том, что аутореактивность можно регулировать физиологически, а не
только путем устранения или инактивации аутореактивных лимфоцитов, но также
ограничивая их путем выбора или индукции выражением
неразрушающие клеточные реакции. Такие неразрушающие реакции имеют
был назван «скрытым» (9, 10) или «подпороговым» (2). Недавний
прогресс, как в характеристике сигнальных путей в Т-клетках
и в распознавании различных результатов для одной и той же Т-клетки
после стимуляции разными антигенами или разными
антигенпрезентирующие клетки, во многом подтвердили эти идеи
(11–15).Широкое значение подпороговых клеточных ответов,
обычно выявляется пептидными аналогами, называемыми «частичными агонистами».
(16), начинает признаваться (17).

На более механистическом уровне Т-лимфоциты рассматривались как адаптируемые
интегратор сигналов. Клеточная адаптация — это основной механизм
отвечает за качественное различение связывающих событий (2,
18). Т-клетки адаптируются: они действуют, чтобы компенсировать биохимические изменения,
вместе называемые «метаболическое возбуждение», которые
инициируется лигированием и агрегацией TCR и других корецепторов
на поверхности клетки, и которые каскадом направляются к ядру клетки.Противоположное действие тирозинкиназ и фосфатаз может представлять собой:
отчасти такой процесс возбуждения-адаптации (2). Другой возможный
механизм — это взаимодействие между передачей сигналов G-белка и его
регуляторы — белки RGS (19). Было высказано предположение, что
активация различных клеточных функций определяется в
порогово-зависимым образом, по величине метаболического нарушения,
мера дисбаланса (например, разница) между возбуждением и
приспособление. Максимальное возмущение, достигаемое на конкретном
столкновение клетка-клетка зависит от скорости возбуждения
индуцированный; адаптация следует, но не мгновенно.Если возбуждение
процесс достаточно быстрый, интенсивность внутриклеточных сигналов
связанный с активацией (клеточный ответ) увеличивается до того, как
частично или полностью компенсируется противодействием
сигналы адаптации. Возмущение, превышающее критическое значение
необходимые для индукции данной функции, тогда может быть временно
достиг.

Скорость возбуждения, в свою очередь, не мультипликативным образом зависит от
от сродства TCR к комплексу пептид – молекула MHC (лиганд), от
концентрация лиганда и другие факторы, связанные с «авидностью»,
включая уровни экспрессии рецепторов и корецепторов и
молекулы адгезии.Тот факт, что зависимость не мультипликативная
(то есть не зависит просто от продукта отдельного
факторов) означает, например, что более высокая концентрация антигена может
компенсировать более низкое сродство только «до точки» (9). Этот
отход от простой модели занятости рецепторов имеет важное
последствия. На уровне отдельной ячейки он может учитывать
отделение полной активации от других реакций на структурно
модифицированные пептиды, даже при высоких концентрациях этих пептидов,
подразумевая различие между количеством и «качеством»
антигенная стимуляция (17).На уровне популяции клеток выбор
клетки, отвечающие латентной пролиферацией, по прогнозам, возникают при
определенных условиях, например, при стимуляции высокими антигенными дозами, в
наличие межклональной конкуренции гетерогенной популяции
лимфоцитов с широким диапазоном сродства к антигену (ссылки 9
и 10; увидеть ниже).

Таким образом, активация лимфоцитов не является временным событием. Природа
и интенсивность отклика меняется в зависимости от величины
возмущение.Величина возмущения, в свою очередь, зависит от
от относительной скорости возбуждения и краткосрочной адаптации.

Модель настраиваемого порога активации (TAT)

Модель ТАТ (2) предполагает, что величина возмущения
Также зависит от уровня адаптации перед встречей. Тот
уровень адаптации отражает историю взаимодействия клетки над
несколько предыдущих встреч и могут быть названы «долгосрочными
приспособление.» Стимулирующие сигналы, которые не дают полного результата
активация тем не менее сбрасывает порог активации.Это
аналогично дифференциальной реакции нейронов на свет (или на
запах) после воздействия различных уровней фона. В
возбуждение должно значительно превышать фоновый уровень, чтобы выявить
полный ответ. Стимулы, которые этого не делают — «тихое возбуждение»
события — тем не менее, способствуют фоновому уровню и тем самым
влияют на порог активации.

Из-за этой клеточной памяти адаптации, которая может быть представлена
соединениями или структурами, подвергающимися циклам хранения-разложения в
определенный домен клетки во время событий возбуждения, активации
пороги (т.е. возбуждения, которые привели бы к критическому
возмущения, необходимые для активации) настраиваются. Тихое возбуждение
переопределяет эти пороги. Таким образом, результат повторной стимуляции
чувствителен к кинетике или случайности времени возбуждения
События. В частности, постепенно увеличивающиеся ступени возбуждения, связанные с
с развитием может обычно вызывать возмущения, которые не могут вызвать
полная активация; вместо этого связанные процессы адаптации могут привести
к десенсибилизации, повышение порога для полного
активация.Это потому, что каждый шаг обновляет долгосрочную адаптацию.
уровень, достаточный для предотвращения превышения следующего возмущения
критическое значение.

Схема ТАТ-модели представлена ​​на рис. 1.
резко осциллирующие кривые описывают меняющийся уровень внутриклеточного
сигналы. Мы называем этот уровень «интенсивностью сигнала». Максимум во время
межклеточные встречи с высокой авидностью. Более плавно меняющиеся, параллельные
кривые отображают порог активации ( Top ), а
порог сохранения жизнеспособности ( Нижний ).Оба были
предлагается напрямую связать со «скользящей средней»
интенсивность сигнала с течением времени, которую мы называем базовой активностью
уровень, и следить за изменением этого базового уровня (2).

Модель ТАТ. Кинетика
интенсивность внутриклеточного сигнала (волнистая линия), порог активации (верхний
плавная линия) и порог сохранения жизнеспособности (нижняя плавная линия)
схематично проиллюстрированы. Пять примеров разных ячеек или
показана одна и та же ячейка в разных микросредах.( a ) Клетка, подвергающаяся стационарной стимуляции
относительно небольшая интенсивность. Клетка сохраняет свою жизнеспособность без
полностью активируется. Это связано с тем, что интенсивность сигнала осталась
ниже порога активации и регулярно превышающего
порог сохранения жизнеспособности. ( b ) Камера подвергается
высокоинтенсивная стационарная стимуляция. Активация не происходит с
базовый уровень и связанные с ним пороговые значения корректируются до уровня
стимуляция. ( c ) Постепенное повышение уровня
происходит стимуляция, повышая базовую линию и пороговые значения, так что
та активация не происходит.Настройка порога позволила плавно
переход от уровня активности, показанного в a , к этому
из б . ( d ) Как в , и
b , но происходит увеличение интенсивности сигнала
резко вызывая сильное возмущение (даже если пиковая интенсивность
не превышает интенсивностей, встречающихся в b ). В
превышен порог активации, что приводит к (полной) активации.
( e ) То же, что и a , но интенсивность падает
внезапно в какой-то момент (при более медленной настройке базовой линии),
оставаясь ниже порога сохранения жизнеспособности в течение достаточного
долгое время, чтобы вызвать смерть из-за пренебрежения.

Базовый уровень активности (ранее назывался также «возбуждение»).
index ») представляет собой совокупную внутриклеточную память о недавних
события возбуждения, переживаемые клеткой, к которой она адаптировалась.
Следовательно, это также отражает меняющийся уровень адаптации. В
возмущение определяется как разница между интенсивностью сигнала и
базовый уровень. Эта разница отражает чистую сумму
внутриклеточные сигналы, доступные для активации клеток. Активация
порог — минимальная интенсивность сигнала, необходимая для вероятности
активации должно быть больше нуля, и это определяется добавлением
фиксированная сумма («критическое возмущение») к базовому уровню
уровень активности.Активация не происходит в примерах, показанных на рис.
1 a и b , несмотря на разницу в
интенсивности сигнала, потому что порог активации настроен на
соответствующие базовые уровни. Переход от низкой к высокой интенсивности
приводит к активации при резком изменении (рис. 1 d ),
но не тогда, когда изменение будет постепенным (рис. 1 c ).

Было предложено (2, 18), что докритические возмущения, а именно
ниже критического значения, необходимого для полной активации,
избирательно вызывают обратимые изменения в экспрессии генов, а также
необратимые, развивающие события, а также необходимы для
подавление запрограммированной гибели клеток (апоптоз).Эти эффекты
тоже зависят от порога. Порог сохранения жизнеспособности, в
в частности, также настроен на базовый уровень активности, как показано на
Рис. 1. Клетки подвергнутся апоптозу, если интенсивность сигнала
во время событий возбуждения значительно ниже базового уровня
задолго до корректировки самой базовой линии (рис. 1 и ).
Это может произойти при изменении уровня стимуляции в окружающей среде.
резко от высокого к низкому.

Повторение выбора тимуса

Эффективность стимуляции незрелых двойных положительных (ДП)
тимоцитов постепенно увеличивается из-за повышенной экспрессии
TCR.Это позволяет долгосрочную адаптацию не отставать от возросшего
интенсивность сигнала (как на рис. 1 c ). Результат — аффинити-
и десенсибилизация, скорректированная по авидности (повышение уровня активации
порог), а не полная активация (2). На протяжении всего созревания
процесс, уровни возбуждения существенно возрастают, но также
уровень долговременной адаптации, так что возмущения меняются только
скромно. Точно так же различные характеристики связывания соответствуют
большой диапазон интенсивности и базовой активности, но только
ограниченный диапазон возмущений.Положительный отбор тимоцитов DP
возникает, если пики интенсивности сигнала остаются в основном между
повышение порогов активации и поддержания жизнеспособности (рис.
2).

Настройка порога при постепенном увеличении
Экспрессия TCR тимоцитами DP. Проиллюстрированы границы выбора.
для интенсивности сигнала, индуцированного в тимоците DP, в зависимости от
Номер TCR. Для более высоких уровней экспрессии рецепторов средний
интенсивность сигнала (т.е. базовый уровень активности) выше,
влечет за собой более высокий порог активации и поддержание жизнеспособности
порог.Тимоциты не активируются, поскольку число TCR увеличивается, если
флуктуирующая интенсивность сигнала (не показана) не превышает
порог активации. При более высокой интенсивности происходит отрицательный отбор.
Если интенсивность падает ниже порога сохранения жизнеспособности для
слишком долгое время может привести к смерти из-за небрежности.

Эта интерпретация согласуется, в частности, с возможностью
пептиды, которые проявляют очень разную эффективность при стимуляции
Т-клетки для положительного отбора соответствующих тимоцитов.Более
как правило, возможность уменьшить уровень возмущения дает
необходимая точность для развития и отбора тимоцитов.

Рис. 3 a f иллюстрирует
судьбы развития различных прототипических тимоцитов,
экспрессирующие рецепторы с разным сродством к выбору лигандов.
Рис.3 b и c показывают положительный отбор:
тимоциты, обладающие промежуточным сродством, успешно адаптирующиеся к
увеличение интенсивности сигнала.Тимоциты DP, которые слишком слабо
стимулированные через TCR, рано умирают, так как метаболические нарушения, которые
микроокружение, индуцируемое в этих клетках, не превышает минимального
необходим для активации сигналов, подавляющих апоптоз
(Рис.3 а ). Этот минимум, в свою очередь, определяется базовой линией.
сигнального уровня во время более ранней (двойной отрицательной) фазы их
разработка. Это обеспечивает один режим выбора («смерть от
пренебрегать»). Отметим, что сверхстимулированные клетки тоже могут погибнуть от
аналогичная причина, согласно нашей модели, когда они мигрируют слишком резко
от сильно стимулирующей среды к менее стимулирующей.Такой смерти можно избежать, если будет установлен порог сохранения жизнеспособности.
быстро подавляется (повышается жизнеспособность) некоторыми заранее запрограммированными
механизм. Похоже, так оно и было ближе к концу DP.
фаза развития, при переходе от коры к мозговому веществу,
на что указывает быстрое повышение уровня экспрессии bcl-2
на этом этапе (20).

Типичные профили интенсивности сигнала положительного
и отрицательно отобранные клетки во время развития тимуса.Для положительного
выделения, интенсивность сигнала не должна превышать порог активации
(верхняя кривая) и должна регулярно превышать жизнеспособность-поддержание
порог (пунктир). Нижняя строка представляет собой базовую линию
деятельность. Показаны несколько примеров в порядке их следования справа налево.
повышение сродства к выбору комбинации MHC – лиганд.
( a ) Ранняя смерть из-за пренебрежения; ( b и
c ) выбор положительный. ( d ) Отрицательный
отбор в результате быстрого увеличения количества TCR, происходящего
к фазе перехода от ДП к одноположительному (СП)
фенотип.( и ) Кортикальный отрицательный отбор, происходящий как
скорость увеличения интенсивности сигнала увеличивается во время DP
фаза. ( f ) Отрицательный отбор незрелых тимоцитов
при переходе от двойного негатива (ДН) к ДП развития
состояние (возможно, связанное с ранним событием агрегации рецепторов).

Сильно аутореактивные тимоциты, отобранные отрицательно, погибают как
результат выдерживания надпороговых возмущений. Когда эффективность
стимуляции на дополнительный рецептор велико, обновление
базовая линия может значительно отставать от пиковой интенсивности
внутриклеточные сигналы достигаются по мере увеличения количества TCR.Этот
может привести к сверхкритическим возмущениям (см. рис. 3 d
и e ).

Считается, что эпителиальные клетки тимуса и клетки кроветворного происхождения
иметь дифференцированные роли, предпочтительно оказывая положительное и
отрицательный, соответственно отбор. В нашей модели это предполагает
что кроветворные клетки обычно индуцируют более высокий сигнал
интенсивности. Наблюдение за тем, что отрицательный отбор происходит как на
и поздно в развитии DP-тимоцитов согласуется с перекрытием
распределение двух типов стромальных клеток в тимусе.

На пути развития есть точки, в которых шансы
для индукции сверхкритического возмущения в сильно
аутореактивные тимоциты особенно высоки, и эти точки могут
служат контрольно-пропускными пунктами при отборе. Один из таких моментов — это когда
недавно обращенные тимоциты DP начинают развивать свой набор
рецепторы. В то время только тимоциты, TCR которых задействованы
выбор комбинации молекулы MHC-пептид без агрегации выживает
(21).Клетки с TCR, которые имеют высокое сродство к лиганду, могут быть
положительно выбран, если лиганд представлен в достаточно низком
числа на антигенпрезентирующих клетках, так что агрегация TCR не
происходить; то же самое верно для TCR с низким сродством к лигандам
представлены в высоких концентрациях. Ситуация не обязательно
симметричный, однако, поскольку аффинити более критически влияет на
стабильность связанных агрегатов TCR, которая предположительно необходима для
эффективное и быстрое производство продуктов возбуждения, используемых для
внутриклеточная передача сигналов (17).Стабильная агрегация TCR, вероятно, запускает
быстрое возбуждение, связанное с сильным возмущением
смысл настоящей модели, четко отличая ее от обязательной
без рецепторной агрегации (рис. 3 f ). Клетки
характеризуются более слабой автореактивностью, относительно защищены при
на этом этапе, поскольку агрегация клеток затруднена.
экспрессирующие несколько молекул TCR. По мере увеличения количества TCR рецептор
агрегация более вероятна, но возмущение ослаблено
повышенным уровнем адаптации, т.е.е, по высоте активации
пороги. Критическое возмущение, необходимое для возникновения отрицательного
сам отбор также может увеличиваться из-за увеличения выраженности
защитные молекулы bcl-2 (20).

Вместо того, чтобы полностью запрограммировать, само увеличение TCR может быть
рассматривается как адаптивный, управляемый возмущениями ответ на микросреду
сигналы, поскольку тимоциты мигрируют через тимус. Выживание незрелых
тимоцитов предположительно частично зависит от стимуляции сигналами
не связаны с теми, кто участвует в TCR-опосредованной стимуляции; эти сигналы
должны были участвовать в поддержании жизнеспособности до того, как TCR начал
быть выраженным.Один из эффектов обильных сигналов с относительно низкой эффективностью
будет ослаблять возмущения, связанные с TCR-опосредованным,
стимуляция с более высокой эффективностью. Это, в свою очередь, замедлит скорость
de novo экспрессия TCR. Действительно, есть свидетельства того, что
специфические внутриклеточные процессы, которые ограничивают скорость TCR
выражение (7). По мере того, как тимоциты мигрируют, они попадают в места, где
других сигналов больше нет, высвобождая экспрессию TCR
механизм от подавления и с учетом быстрого de novo
выражение.Сигналы, опосредованные TCR, затем заменяют другие сигналы в
их роль в поддержании жизнеспособности. Кроме того, ускоренное увеличение
в TCR может способствовать другим функциям развития и гейтингу в
такие точки.

В целом механизм настройки чувствительности снижает значительную
степень единообразия процессов отрицательного и положительного
выбор. Результат выбора определяется взаимодействием
этот процесс настройки, сигналы микросреды, которые направляют
дифференциация и физиологические условия стробирования, которые ограничивают
допустимые автореактивности (рис.3). Предполагается, что чрезмерно
единообразная сигнальная среда может быть не в состоянии эффективно индуцировать оба
отрицательный отбор и полное развитие.

Периферийный допуск: постоянное возбуждение и адаптация

Предлагается, чтобы пороги активации всех сроков
тимоциты настраиваются в процессе их взаимодействия с самими собой
антигены индивидуально и динамически, что приводит к частичному
десенсибилизация к активации. Такая десенсибилизация может привести к
например, из-за истощения или инактивации внутриклеточной киназы или
фосфотаза участвует во внутриклеточном сигнальном каскаде.Степень
десенсибилизации напрямую связано со сродством тимоцита
для аутоантигена. Независимо от близости, каждый положительно
выбранные Т-клетки выходят из вилочковой железы с соответствующим уровнем
десенсибилизация, адаптированная к определенному (максимальному) уровню
антигенной стимуляции, которую он испытал.

Если появляющиеся Т-клетки продолжают сталкиваться с аналогичным уровнем
аутоантигенная стимуляция на периферии (или более низкая, или даже
постепенно увеличивая стимуляцию), он останется адаптированным к этому
уровень, постоянно обновляя свою базовую внутриклеточную активность и
его порог активации.Автоматическая регулировка десенсибилизации должна занимать
забота о самотолерантности на периферии, так как это предотвратило абортивную
активация в тимусе при сохранении функциональной реактивности Т
клетки к чужеродным антигенам, когда последние связываются с более высокой аффинностью в
иммуногенный контекст.

Если настройка порога сама по себе может объяснить толерантность к себе, что
роль отрицательного отбора? Клональная элиминация Т-клеток с
сильно аутореактивные рецепторы не нужны для поддержания
самотолерантность, потому что эти клетки, если бы они не были устранены,
адаптировались бы к высокоуровневой стимуляции и не были бы
активируется на периферии.

Мы полагаем, что отрицательный отбор необходим в первую очередь для удаления
бесполезные клетки, которые нельзя было активировать на периферии, и не
предотвратить аутоиммунитет. Поскольку клетки с более низким сродством менее эффективны
десенсибилизированные, они обычно могут быть активированы некоторыми
комбинация чужеродных пептидов и селекционных молекул MHC. Таким образом,
эти клетки в общепринятом смысле толерантны к положительно
отбор молекул пептид-MHC, но не к специфическим чужеродным антигенам.Напротив, Т-клетки, несущие рецепторы с наивысшим сродством к
Я по-прежнему будет толерантным (анергическим), но будет бесполезным
(и, возможно, препятствующий). Когда исходный уровень внутриклеточного
сигналы приближаются к максимальной интенсивности сигнала, который может быть вызван,
сверхкритические возмущения больше не могут генерироваться (т. е.
порог активации не может быть достигнут). Таких ячеек быть не могло.
активируются в их нормальной среде любым антигеном.

Отметим, что, как ни парадоксально, это клетки с промежуточным сродством
рецепторы для себя, и не обязательно с высочайшим сродством,
которые с большей вероятностью будут неправильно активированы.Это потому что
такие клетки были бы более чувствительны к резкому усилению
уровень стимуляции из-за, например, быстрого увеличения местного
концентрация собственных пептидов или локальная экспрессия MHC
молекул, или к синергетическому действию воспалительных факторов.

Стимуляция, антигенная или другая, также необходима для поддержания
жизнеспособность клеток. Таким образом, предполагается, что наивные Т-клетки могут быть
поддерживается на периферии в отсутствие стимуляции со стороны
антиген, но такое поддержание осуществляется микросредой.В условиях конкуренции среда выберет наиболее приспособленных
клоны. Это равносильно постоянному «положительному отбору» также в
периферия. В отличие от их DP или одноположительных предшественников тимоцитов,
зрелые Т-клетки могут реагировать на такую ​​стимуляцию либо латентным
способ активации, который мы обсуждали, или «скрытым
распространение »(9), т. е. самообновляющееся разделение за исключением
выражение полностью развитых эффекторных функций. Распространение
Предполагается, что порог ниже порога полной активации.Среди совокупности положительно отобранных Т-лимфоцитов те, которые специфичны для
обильные аутоантигены и падение, с точки зрения аффинности, чуть ниже
порог полной активации (т.е. относящийся к антигену как
«Сильный частичный агонист») может получить преимущество в соревновании
против обеих клеток с более высоким сродством (которые при активации экспрессируют
функции, которые исключают или препятствуют распространению) и
клетки с низким сродством. Хотя порог сродства может разделять и
выберите выраженную функцию (например,g., пролиферация), высокий лиганд
концентрация затем служит для усиления этого выражения (9, 10, 17).

Для положительно отобранных Т-клеток с относительно высоким сродством к
при выборе молекул десенсибилизация может проявляться как «анергия» в
обычные анализы. Эта «анергия» — динамичный и обратимый
состояние получило экспериментальную поддержку (22). В зрелых Т-клетках больше всего
На сегодняшний день прямым доказательством настройки пороговых значений является демонстрация того, что
уровень «анергии» может быть увеличен при дальнейшей стимуляции
(23).

Наша гипотеза предсказывает, что те Т-клетки, положительно отобранные
относительно высокоаффинные взаимодействия с аутоантигенами, которые
ограниченный исключительно средой тимуса, должен постепенно терять
толерантность к селекционным антигенам на периферии. (Тимэктомия — это
возможно потребуется исключить рециркуляцию через исходный
окружающей среды.) Другой прогноз состоит в том, что такие ячейки будут поддерживаться
на периферии на более короткие периоды времени по сравнению с клетками
чей селективный лиганд находится также на периферии.

Низкий уровень анергии защищает Т-клетки от самопроизвольной активации,
при сохранении своей реактивности к чужеродным иммуногенным антигенам.
Такая низкоуровневая анергия не зависит от наличия или отсутствия
костимулирующие сигналы. Точно так же было предложено (2), что память
Т-клетки защищены от случайной активации благодаря продолжающемуся
подпороговое взаимодействие с остаточными антигенами и / или с другими
дополнительные ячейки, с которыми они динамически связаны, и это
защита может отражаться определенными проявлениями «анергии»
(24).В то же время подпороговые взаимодействия поддерживают способность
клеток памяти, чтобы ответить на вторичный иммуногенный вызов. Она имеет
также было высказано предположение, что важные иммунологические функции обычно
опосредовано клетками, участвующими в подпороговых взаимодействиях, включая
контроль хронической инфекции с минимальным ущербом для хозяина.
В частности, подпороговая автореактивность может способствовать
ответ на различные хронические инсульты (2).

В целом качество взаимодействия положительно отобранных
тимоциты с их лигандами сопоставимы со зрелыми Т-клетками,
когда последним разрешено адаптироваться и работать в
«Подпороговый» режим.Это качество вообще не присуще
свойство лиганда, ни на уровне развития, ни на
уровень зрелых клеток. Скорее, это функция «контекста»;
подпороговое взаимодействие характеризует относительно стационарное
стимуляции, тогда как полная активация возникает в результате резкого изменения
уровень стимуляции. Эта интерпретация дает мощный, объединяющий
подход к широкому кругу кажущихся парадоксальными наблюдений в
новейшая иммунология (2, 18, 25). Одно соответствующее обобщение, которое
только намекалось выше, это взаимозависимая адаптация Т-лимфоцитов.
или тимоцит и антигенпрезентирующая клетка (или эпителий тимуса)
во время подпороговых взаимодействий.

В заключение, настоящая модель связывает воедино разработку и
выделение в тимусе. Ключевая идея заключается в том, что подпороговые взаимодействия
имеют противоположные кумулятивные эффекты в изменении чувствительности тимоцитов.
Эти взаимодействия движут и управляются событиями развития,
в том числе повышенная экспрессия рецепторов, вспомогательных молекул
и элементы трансдукции. В то же время сила
сигнал, необходимый для функциональной активации лимфоцитов, также увеличивается
постепенно.Критической переменной в этой модели является относительная кинетика
этих противоположных и взаимозависимых изменений, отражающих в любое время
история стимуляции, состояние дифференцировки и микросреда
ячейки.

Благодарности

Работа З.Г. был частично поддержан Гарри Пэлли
Благотворительный фонд Объединенной еврейской федерации (Питтсбург).

Сноски

  • Уильям Э. Пол, Национальный институт аллергии и
    Инфекционные болезни, Bethesda, MD

  • Сокращения: TCR, Т-клеточный рецептор; MHC, майор
    комплекс гистосовместимости; DP, двойной положительный; ТАТ, настраиваемый
    порог активации.

  • Получено 16 мая 1996 г.
  • Принято 19 сентября 1996 г.
  • Copyright © 1996, Национальная академия наук США

Самонастраивающиеся пороги — любовь и ненависть

В основном ненавижу.

Самонастраивающиеся пороги были новой концепцией для OpsMgr 2007. Они от « пытаются, » до « узнать », что является нормальным для счетчика производительности, и предупреждают, когда значение выходит за пределы изученного базового уровня.Это замечательно, когда у нас есть счетчики производительности, которые сильно различаются от компании к компании, и мы не знаем хорошей статической настройки. Обратная сторона? Они шумные, работают не очень хорошо, они вообще не срабатывают, пока базовый уровень не изучен, и прекращают выдачу предупреждений после перезапуска агента, снова до тех пор, пока базовый уровень не изучен. По этой причине — они НЕ являются хорошим выбором для какого-либо критического мониторинга в SCOM. Их усовершенствования не ведутся, и Microsoft MP перестали их использовать из-за всех недостатков.

Одна из основных проблем: если отслеживаемый счетчик постоянно меняется в широких пределах… эти мониторы очень шумные… и генерируют огромное количество предупреждений и изменений состояния, для управления которыми они были разработаны.

Об этом уже есть пара хороших постов в блоге. Наверное, , лучший из тех, что я читал, находится здесь: http://ops-mgr.spaces.live.com/blog/cns!3D3B8489FCAA9B51!183.entry Мы будем упоминать это несколько раз.

Одна из жалоб на самонастройку порогов….состоит в том, что числа, отраженные в базовых показателях, ничего не говорят нам о фактических значениях. Это правда…. они основаны на внутреннем алгоритме… поэтому люди видят эти «2,81» или «3,31» и не понимают, какое отношение они имеют к нашему счетчику производительности.

Во-первых, давайте взглянем на основные компоненты STT: мы создадим новый монитор устройства. Под Windows производительность, самонастраивающиеся пороги…. у нас есть несколько типов на выбор. Наиболее распространенными будут базовые уровни с двумя или тремя состояниями….в зависимости от того, сколько состояний мы хотим. В этом примере мы выберем базовый уровень с двумя состояниями.

Давайте дадим ему имя, выберем Windows Server в качестве целевого и выберем родительский монитор производительности. Для простоты — давайте выберем Processor \% Processor Time \ _Total в качестве нашего объекта производительности \ Counter \ Instance. Установите интервал на 1 минуту.

Теперь мы можем настроить бизнес-цикл. Для этого примера я выберу один день. Обычно вы выбираете неделю….особенно если ваш сервер ведет себя по-разному в разные дни недели.

Мы можем выбрать, сколько бизнес-циклов ждать перед предупреждением…. в большинстве случаев 1 деловой цикл подходит.

На «Чувствительности» у нас есть приятный ползунок от «Низкий» до «Высокий». В целом…. мы выберем низкую чувствительность для наших пользовательских правил. Низкий = отсутствие предупреждений, более широкий базовый диапазон. Я объясню числовые значения для каждого параметра позже.

На экране «Настроить работоспособность»….внутри конверта будет «Healthy», а над конвертом будет сгенерировано изменение состояния и (необязательно) предупреждение.

Groovy. Итак — что мы только что создали? Ну конечно — создали монитор:

Но если мы посмотрим на правила, на ту же цель…. мы также создали несколько правил:

Одно из правил — просто собирать данные о производительности. Другой собирает данные подписи. Оба на той же частоте, которую мы указали ранее.

Итак….перейдем к самому главному — цифрам. Когда мы создали наш базовый монитор с двумя состояниями — мы в значительной степени приняли все значения по умолчанию…. за исключением того, что мы выбрали низкую чувствительность. Чтобы увидеть эти числа — создайте переопределение для всех объектов типа, и вы увидите, какие значения по умолчанию, а низкие равны:

Таким образом, «внутренний» равен 4,01, а «внешний» — 4,51. Мы рассмотрим эти числа позже. Это важно — потому что мы будем использовать их для настройки и отмены других счетчиков позже.

Также — в созданном правиле сбора подписей — было размещено значение чувствительности:

Итак….Давайте попробуем выяснить, как каждый параметр влияет на эти числа, чтобы лучше понять их.

Я создал 5 самонастраивающихся базовых мониторов с двумя состояниями…. каждый с разной настройкой чувствительности…. начиная с минимума:

Низкий: Внутренний: 4,01 Внешний: 4,51 Чувствительность правила: 4,01

Low-Mid: Внутренний: 3,77 Внешний: 4,27 Чувствительность правила: 3,77

Середина: Внутренняя: 3,29 Внешняя: 3,79 Чувствительность правила: 3,29

Средне-высокий: Внутренний: 2.81 Внешний: 3,31 Чувствительность правила: 2,81

Высокий: Внутренний: 2,57 Внешний: 3,07 Чувствительность правила: 2,57

Это даст нам хорошую основу для использования при настройке этих правил. Мы видим, что внутренняя чувствительность по умолчанию составляет от 2,57 до 4,01, а внешняя — от 3,07 до 4,51. Чем больше числа…. тем менее чувствителен базовый диапазон и, следовательно, меньше предупреждений. Разница между числами всегда 0,5

Чтобы настроить эти самонастраивающиеся предупреждения….. нам просто нужно настроить эти значения для правила сигнатуры производительности и соответствующего монитора базовой линии.

Вот список некоторых очень распространенных шумных STT, взятых по ссылке выше:

  • ALERT = Таблица темпа транспорта хранилища информации выходит за пределы расчетного базового значения
  • ПРАВИЛО = Базовое правило сбора для временной таблицы хранилища информации, количество записей (правила, типа Exchange Queue)
  • МОНИТОР = IS Монитор таблицы темпов транспорта (очередь Exchange, работоспособность объекта, производительность)
  • ALERT = Очередь отправки из хранилища почтовых ящиков выходит за пределы расчетного базового значения
  • ПРАВИЛО = Базовое правило сбора для длины очереди отправки хранилища почтовых ящиков (правила типа Exchange Queue)
  • МОНИТОР = Монитор очереди отправки хранилища МБ (очередь Exchange, работоспособность объекта, производительность)
  • ALERT = Локальная очередь SMTP вне расчетного базового значения
  • ПРАВИЛО = Базовое правило сбора для локальной очереди SMTP-сервера (правила типа Exchange Queue)
  • МОНИТОР = монитор локальной очереди SMTP (очередь обмена, работоспособность объекта, производительность)
  • ALERT = SMTP-сообщения в каталоге очереди выходят за рамки расчетного базового значения
  • ПРАВИЛО = Базовый набор для каталога очереди сообщений SMTP (правила типа Exchange Queue)
  • МОНИТОР = монитор каталога очереди сообщений SMTP (очередь Exchange, работоспособность объекта, производительность)
  • ALERT = Удаленная очередь SMTP выходит за пределы расчетного базового значения
  • ПРАВИЛО = Базовое правило сбора для длины удаленной очереди SMTP-сервера (правила типа Exchange Queue)
  • МОНИТОР = монитор удаленной очереди SMTP (очередь обмена, работоспособность объекта, производительность)
  • ALERT = очередь удаленных повторных попыток SMTP выходит за пределы расчетного базового значения
  • ПРАВИЛО = Базовое правило сбора для длины очереди удаленных повторных попыток SMTP-сервера (правила типа Exchange Queue)
  • МОНИТОР = SMTP Remote Retry Queue Monitor (Exchange Queue, Entity Health, Performance)
  • ПРЕДУПРЕЖДЕНИЕ = IS виртуальных байтов за пределами расчетной базовой линии
  • ПРАВИЛО = Базовое правило сбора для виртуальных байтов IS (правила типа Exchange IS Service)
  • МОНИТОР = IS Virtual Bytes Monitor (Exchange IS Service, Entity Health, Performance)
  • ALERT = количество запросов RPC выходит за пределы расчетного базового значения
  • ПРАВИЛО = Базовое правило сбора для запросов IS RPC (Правило типа Exchange IS Service)
  • МОНИТОР = IS Монитор запросов RPC (Exchange IS Service, Entity Health, Performance)

То, что мы видим — это то, что для большинства STT по умолчанию в пакетах управления установлена ​​чувствительность «Средняя-Высокая»….или внутреннее значение 2,81 и внешнее значение 3,31. Вероятно, это слишком чувствительно, и его необходимо отрегулировать. По сути … начните с перехода к следующему набору чисел для обоих значений и регулировки их от среднего до высокого, до среднего, среднего-низкого или низкого.

Вот шаги из вышеупомянутого сообщения в блоге… с небольшими изменениями:

Действия по устранению: (выполните все эти шаги для каждого предупреждения в вашей среде, которое необходимо настроить)

  1. Найдите правило, применимое к предупреждению.(Чтобы найти правила, проще всего изменить область действия для фильтрации по двум областям, которые нам нужны — это очередь Exchange и служба Exchange IS. Оба из них доступны, когда вы нажимаете на область и выбираете параметр для просмотра всех целей . Затем найдите правила с «Базовой коллекцией» в качестве начала. Это сокращает его примерно до 17 правил по сравнению с более чем 6000.) Подробная информация о названиях каждого из вышеперечисленных правил приведена ниже. Отключите правило (Щелкните правой кнопкой мыши правило, переопределите, отключите правило для всех объектов типа: Exchange Queue, щелкните Да, чтобы принять).
  2. Измените чувствительность правила на 3,29 (Щелкните правой кнопкой мыши правило, Переопределения, Переопределить правило, Для всех объектов типа: Очередь обмена, проверьте параметр Чувствительность и установите для него значение 3,29 (или выше, если необходимо), щелкните ХОРОШО).
  3. Найдите монитор, который относится к предупреждению. Это можно найти, выполнив поиск или указав тип объекта, указанного для правила. Отключите монитор. (Щелкните правой кнопкой мыши на мониторе, Переопределите, Отключите монитор для всех объектов типа: Очередь обмена, щелкните Да, чтобы принять).
  4. Измените внутреннюю чувствительность монитора на 3,29 (щелкните правой кнопкой мыши на мониторе, Переопределяет, Переопределяет монитор, Для всех объектов типа: Очередь обмена, проверьте параметр Внутренняя чувствительность и установите его на 3,29, если он еще не установлен на это значение, нажмите ОК).
  5. Измените внешнюю чувствительность монитора на 3,79 (щелкните правой кнопкой мыши на мониторе, отменяет, отменяет монитор, для всех объектов типа: Exchange Queue, проверьте параметр Outer Sensitivity и установите для него значение 3.79, если это значение еще не установлено, нажмите ОК).
  6. Повторно включите монитор. (Щелкните правой кнопкой мыши монитор, выберите «Сводка переопределений», удалите переопределение, в котором указано «Тип», «Очередь обмена», «Включено», «Ложь»).
  7. Вернитесь к правилу, определенному на шаге 1, и повторно включите правило . (Щелкните правило правой кнопкой мыши, выберите «Сводка переопределений», удалите переопределение, в котором указано «Тип», «Очередь обмена», «Включено», «Ложь»).

ПРИМЕЧАНИЕ: Чувствительность « внешняя » не имеет значения .Это пережиток раннего дизайна, и он не оказывает никакого влияния. Только внутренняя чувствительность имеет значение при настройке . В группах новостей была некоторая противоречивая информация, но эта информация была проверена командой разработчиков.

Единственное требование … на внешней стороне, это то, что она должна быть больше, чем внутренняя. Поэтому при регулировке — сосредоточьтесь на ударе внутреннего с шагом 0,5, и просто убедитесь, что внешнее число больше внутреннего…. например .1 выше, чем внутренний.

Вкратце:

1. Не все счетчики являются хорошими кандидатами для STT на основе шаблона счетчика производительности.

2. Некоторые из наших встроенных STT немного чувствительны и нуждаются в настройке. Если предупреждающий шум высокий — начните с настройки — уменьшите чувствительность.

3. Некоторые из наших встроенных STT нацелены на счетчик производительности, который не является хорошим кандидатом для STT. (например… очередь STMP или любой счетчик производительности, который в исправном состоянии часто имеет «нулевое значение»).

Add a comment

Ваш адрес email не будет опубликован. Обязательные поля помечены *