我在一次采访中被问到这个我没有破解。
您将获得总（汇总）功耗数据，以及三个家庭的电视功耗数据。每个家庭都有一天的数据。任务一：利用电视瞬时功耗数据，识别电视“开机”的时间。请注意，某些电视可能具有待机模式。任务 2：使用所有给定的数据，设计一个分类器来识别电视“打开”的时间。您可能还想训练和测试您设计的分类器。经过训练的分类器不应将 TV 瞬时功率作为输入。请提供尝试任务 1 和 2 的脚本。请不要提供没有解释的脚本。
附加信息：附件 .csv 文件中的数据格式：“House”列表示它是哪个房子，范围从 1 到 3。“Time”列表示时间戳。“TV”一栏表示电视机的瞬时功耗。“Agg”列表示总（合计）瞬时功耗。采样率为 1/60 Hz。
我的提交在这里。
我没有收到雇主的任何反馈，我不知道出了什么问题。请让我知道您对可以做得更好的地方的想法。
这里有一些反馈/提示/技巧/意见：
包括需求分析。必须决定系统/解决方案应该如何工作，如何知道我们做得如何，然后如何到达那里。
有一种定量的方法来评估我们的模型性能是非常可取的。为此，我们需要一些标记数据。计算每所房屋的 ON 事件（给定假设）的数量非常快。房子1、4次。房子2、3次。房子3、2次。那么至少我们可以将其用作评估指标。还可以标记数据集中的时间以计算开启时间的百分比。这将是一个更细粒度/更精确的评估指标。最强的评估是检查每个事件时间是否也是正确的（在一定的公差范围内）。
在 N 台电视/房屋上训练的模型也将适用于看不见的房屋。非常理想，因为允许将相同的模型用于所有房屋，包括未来的房屋。
出于这个原因，一个应该做的可能是按 house 分组的交叉验证。可能还想使用时间序列拆分，但在这么小的数据集上有点困难。
我们假设Power(ON) >> Power(Standby) > Power(Off).
但是，每台电视可能具有不同的功率级别，以及三个级别之间的差异/比率。不同的房屋在打开/关闭时也可能具有不同的行为模式。
假设/设置电视开/关的最短时间是合理的。可以从数据中得知，也可以根据您对电视的了解进行设置。也许10秒可以吗？
真的错过了功率水平的直方图！
KNearestNeighbours 对此过于复杂/固执己见。运行平均值或运行中位数会更合适。
GradientBoostingClassifier 很复杂。你有一个单一的特征和少量的数据。
GaussianMixtureModel 非常相关，因为这是隐藏状态和转换的经典案例。但是，仍然不清楚复杂性是否合理 - 即问题是否不能仅通过与状态无关的阈值来解决
您的笔记本表明正在进行大量工作，它不具备报告的质量。当然，如果你是现场、现场或在非常紧迫的期限内完成的，那是很自然的。但如果你有几个小时来完成这项任务，我希望你的笔记本更干净。