第21章：机器学习在物联网中的应用

AIoT (AI + IoT) 是物联网发展的必然阶段。传感器产生海量数据，机器学习挖掘数据价值。

21.1 机器学习基础

• **监督学习 (Supervised Learning)**：给数据打标签（如“这是故障数据”），训练模型进行分类或回归。
• **无监督学习 (Unsupervised Learning)**：无需标签，让模型自己发现数据中的规律（如聚类分析）。
• **强化学习 (Reinforcement Learning)**：通过试错和奖惩机制训练智能体（如机器人控制）。

21.2 物联网数据特征

• 时序性：数据随时间变化（如温度趋势）。
• 噪声大：传感器可能受干扰产生错误数据。
• 异构性：不同设备的数据格式不统一。

21.3 常用算法与应用

• **分类算法 (Classification)**：判断设备状态（正常/故障）。常用算法：SVM, 随机森林。
• **回归分析 (Regression)**：预测数值（如预测明天的用电量）。常用算法：线性回归, LSTM。
• **聚类分析 (Clustering)**：用户行为画像（如将用户分为“节能型”和“浪费型”）。常用算法：K-Means。

21.4 机器学习框架

• Scikit-learn：Python 生态中最流行的传统机器学习库，简单易用。
• TensorFlow / PyTorch：深度学习框架，适合处理图像、语音等复杂非结构化数据。

21.5 实战：异常检测

场景：监测服务器 CPU 温度，发现异常高温。

**代码 (Scikit-learn Isolation Forest)**：

import numpy as np
from sklearn.ensemble import IsolationForest

# 模拟正常数据 (均值50，方差5)
X_train = 5 + np.random.randn(100, 1)

# 模拟测试数据 (包含异常值)
X_test = np.vstack([5 + np.random.randn(20, 1), [20], [-10]])

# 训练模型
clf = IsolationForest(random_state=0).fit(X_train)

# 预测 (1: 正常, -1: 异常)
pred = clf.predict(X_test)
print(pred)

除了通用的机器学习，针对工业场景，我们需要更专业的智能算法与预测性维护。下一章见。