# 大呼過癮ㄉ智慧製造比賽紀錄
## Pytorch訓練環境建置
參考：https://mc.ai/%E3%80%90pytorch%E6%95%99%E7%A8%8B%E3%80%91p1-pytorch%E7%92%B0%E5%A2%83%E7%9A%84%E9%85%8D%E7%BD%AE%E5%8F%8A%E5%AE%89%E8%A3%9D/
1. 先建置Anaconda環境python=3.7
2. 按照參考網站安裝pytorch，版本選擇如下
pytorch載點：https://pytorch.org/get-started/locally/

https://medium.com/pyladies-taiwan/%E6%B7%B1%E5%BA%A6%E5%AD%B8%E7%BF%92%E6%96%B0%E6%89%8B%E6%9D%91-pytorch%E5%85%A5%E9%96%80-511df3c1c025

補資料方式：https://towardsdatascience.com/6-different-ways-to-compensate-for-missing-values-data-imputation-with-examples-6022d9ca0779
## 初賽過程
目標：加工機台參數預測
以加工機台完整的「加工參數」和「加工品質」作為訓練資料，於測試階段預
測 20項重點參數
### 1.訓練數據
官方說明內容：
本數據提供學習建模使用，提供1個excel檔案作為訓練數據，內含總共348筆資料。
每筆資料包含281項加工機台參數設定與6個鑽孔機加工品質的輸出結果，其中每筆
輸入資料包含137項6個鑽孔機(A1~A6)的共同參數以及144項單一鑽孔機的各別參數，
詳細資訊如下：

| 欄位名稱 | 參數意義 |
| ------------------ |:------------------------------- |
| Input_C_001 ~ 137 | 與Output_A1 ~ A6 相關的共同參數 |
| Input_A1_001 ~ 024 | 與Output_A1 相關的參數 |
| Input_A2_001 ~ 024 | 與Output_A2 相關的參數 |
| Input_A3_001 ~ 024 | 與Output_A3 相關的參數 |
| Input_A4_001 ~ 024 | 與Output_A4 相關的參數 |
| Input_A5_001 ~ 024 | 與Output_A5 相關的參數 |
| Input_A6_001 ~ 024 | 與Output_A6 相關的參數 |
| Output_A1 ~ A6 | 六個鑽頭加工品質的輸出結果 |

在Input_C_015 ~ 038 與 Input_C_063 ~ 082包含測量偏移量的文字參數，其說明如下：

| 資料內容 | 資料意義 |
| -------- | ------------------- |
| N；0 | 無偏移 |
| R；1 | 向x+方向偏移1個單位 |
| L；1 | 向x-方向偏移1個單位 |
| U；1 | 向y+方向偏移1個單位 |
| D；1 | 向y-方向偏移1個單位 |

### 2. 資列缺失補齊
初賽所給予的訓練數據有部份遺失，須透過一些統計方法進行填補
填資料使用的包
* Impyute
安裝方式

`pip3 install impyute`

介紹網站：

https://impyute.readthedocs.io/en/latest/?fbclid=IwAR2r9eIaZs49_VTZpQWGM3lZTL1TQPm5s7RKK5JFKj-2lo9BSLQCMrxEJ1I
* fancyimpute
安裝方式

`pip install fancyimpute`

github連結：

https://github.com/iskandr/fancyimpute?fbclid=IwAR0pb9Ng5TMGhrlclaai1Is53trpzrPwLdbeNAdYyoHw-jKEhTm0JHLsx6k

使用的填補方式：
1. KNN
呼叫Facncyimpute的函式，k值填1的目的是避免經過平均後產生無意義的資料

    data=np.array(df)
	fill_knn=KNN(k=1).fit_transform(data)
	df2=pd.DataFrame(fill_knn)
	df2.columns=df.columns

3. MICE
呼叫Impute的函式

    mice_impute=IterativeImputer()
	df2=mice_impute.fit_transform(df)

### 3. UDRL切割

數據資料中有下列情況（參考官方說明），包括Input_C_015 ~ Input_C_038以及Input_C_063 ~ Input_C_082
為了使這些data能夠train，並且也能填入缺失的資料，必須將其切成有意義的數字
嘗試過下述兩種方式 :
1. 切成U、D、R、L四項，分別代表上下右左四個方向，其值即為方向的移動量

2. 切成U、D、R、L、v1、v2六項，其中U、D、R、L分別代表上下右左四個方向，並由0或1代表是否是該方向，v1則代表上下的移動量，v2則代表左右的移動量

### 4. 刪除對訓練無效的資料
有部份資料過多相同數據，會降低訓練的效率
其中包括：Input_A1_08、Input_A1_10 ~ Input_A6_08、Input_A6_10
Input_C_002、Input_C_0023Input_C_004、Input_C_006、Input_C_132

### Code

### 5. Neural Network Regression
範本 ：
https://docs.microsoft.com/zh-tw/archive/msdn-magazine/2019/march/test-run-neural-regression-using-pytorch?fbclid=IwAR0ZgLW2KIrfCBEp0VxQtPGr2Tv4_3xHrT0uVk1Qr5pRKiGj_OfqPsd5E8c

## 比賽資料
1. 比賽資訊與原始資料：https://drive.google.com/drive/u/2/folders/1_ZwX0Yq1tsslcn1_8MFF8EUN1x8zfYOU?fbclid=IwAR0TJK8a_fsd2oMHCVqQI4XyTcvigtwBZqVDEByucs-aSeNlpVSsNc7v9fY
2. 程式碼及處理後資料雲端：https://drive.google.com/drive/u/2/folders/1EyoA69p_Cw98ixUsmYvgoetuDqcb7avJ?fbclid=IwAR0TJK8a_fsd2oMHCVqQI4XyTcvigtwBZqVDEByucs-aSeNlpVSsNc7v9fY

## 原始資料分析
### 各預測目標數據出現頻率：
1. Input_A1_020

|數據|出現頻率|
|---|---|
|0.1000| 106
|0.2000| 68
|1.0000| 59
|0.0000| 57
|0.3000| 10
|2.0000| 7
|1.1000| 5
|1.2000| 4
|3.2000| 3
|0.9000| 2
|3.0000| 2
|3.5000| 2
|1.5000| 2
|0.5000| 2
|2.1000| 2
|2.2000| 2
|3.1000| 2
|3.6000| 1
|1.8000| 1
|0.6000| 1
|1.4000| 1
|1.9000| 1
|5.0000| 1
|2.8000| 1
|5.3000| 1
|0.4000| 1
|2.6000| 1
|1.3000| 1

2. Input_A2_016

|數據|出現頻率|
|---|---|
|-0.0200| 90
|-0.0400| 73
|-0.0300| 72
|-0.0500| 56
|-0.0100| 55

3. Input_A2_017

|數據|出現頻率|
|---|---|
|-0.0200| 99
|-0.0100| 72
|-0.0300| 62
|-0.0500| 58
|-0.0400| 55

4. Input_A2_024

|數據|出現頻率|
|---|---|
|0.0100| 141
|0.0200| 93
|-0.0100| 70
|-0.0200| 23
|0.0000| 9
|0.0300| 6
|-0.0400| 3
|-0.0300| 2
|-0.0010| 1

5. Input_A3_013

|數據|出現頻率|
|---|---|
|0.0060| 152
|0.0040| 121
|0.0020| 40
|0.0080| 34
|0.0050| 1

6. Input_A3_015

|數據|出現頻率|
|---|---|
|0.0200| 57
|0.0500| 55
|0.0100| 42
|-0.0300| 40
|-0.0200| 40
|-0.0100| 27
|0.0300| 23
|-0.0500| 22
|0.0000| 15
|0.0400| 11
|-0.0400| 10
|0.0490| 2
|0.0470| 1
|0.0240| 1

7. Input_A3_016

|數據|出現頻率|
|---|---|
|-0.0200| 81
|-0.0300| 76
|-0.0500| 66
|-0.0400| 65
|-0.0100| 58

8. Input_A3_017

|數據|出現頻率|
|---|---|
|-0.0200| 100
|-0.0400| 69
|-0.0100| 65
|-0.0300| 64
|-0.0500| 48

9. Input_A3_018

|數據|出現頻率|
|---|---|
|-0.0200| 106
|-0.0400| 70
|-0.0100| 65
|-0.0300| 64
|-0.0500| 41

10. Input_A6_001

|數據|出現頻率|
|---|---|
|0.0000| 304
|0.1000| 8
|0.0900| 8
|0.0800| 6
|0.0700| 6
|0.1600| 5
|0.1200| 4
|0.1400| 2
|0.0200| 1
|0.2000| 1
|0.0150| 1
|0.1500| 1
|0.0600| 1

11. Input_A6_011

|數據|出現頻率|
|---|---|
|0.0040| 121
|0.0020| 72
|0.0030| 47
|0.0080| 40
|0.0100| 26
|0.0050| 25
|0.0060| 15
|0.0070| 1
|0.0010| 1

12. Input_A6_019

|數據|出現頻率|
|---|---|
|-0.0200| 96
|-0.0400| 74
|-0.0300| 68
|-0.0500| 55
|-0.0100| 53

13. Input_A6_024

|數據|出現頻率|
|---|---|
|0.0100| 126
|0.0000| 71
|0.0200| 55
|-0.0100| 54
|-0.0200| 17
|0.0300| 15
|0.0400| 6
|-0.0300| 3
|-0.0400| 1

14. Input_C_013

|數據|出現頻率|
|---|---|
|0.0050| 208
|0.0040| 122
|0.0060| 8
|0.0070| 3
|0.0020| 2
|0.0080| 2

15. Input_C_046

|數據|出現頻率|
|---|---|
|0.0010| 51
|0.0011| 43
|0.0009| 41
|0.0008| 37
|0.0007| 30
|0.0005| 27
|0.0004| 23
|0.0012| 21
|0.0006| 17
|0.0015| 12
|0.0013| 12
|0.0003| 11
|0.0016| 6
|0.0014| 4
|0.0017| 3
|0.0002| 2
|0.0019| 1
|0.0018| 1
|0.0022| 1

16. Input_C_049

|數據|出現頻率|
|---|---|
|0.0006| 59
|0.0005| 54
|0.0004| 46
|0.0007| 39
|0.0008| 35
|0.0003| 31
|0.0009| 21
|0.0002| 16
|0.0010| 13
|0.0012| 10
|0.0011| 9
|0.0013| 3
|0.0016| 2
|0.0014| 2
|0.0015| 1
|0.0019| 1
|0.0018| 1

17. Input_C_050

|數據|出現頻率|
|---|---|
|0.0050| 60
|0.0070| 56
|0.0060| 54
|0.0080| 30
|0.0040| 26
|0.0011| 16
|0.0090| 14
|0.0009| 13
|0.0010| 13
|0.0100| 10
|0.0012| 10
|0.0014| 7
|0.0008| 7
|0.0110| 4
|0.0007| 4
|0.0120| 4
|0.0015| 3
|0.0140| 2
|0.0017| 2
|0.0013| 2
|0.0018| 2
|0.0030| 2
|0.0150| 1
|0.0005| 1

18. Input_C_057

|數據|出現頻率|
|---|---|
|0.0160| 23
|0.0150| 22
|0.0180| 19
|0.0120| 19
|0.0130| 18
|0.0100| 16
|0.0110| 15
|0.0090| 14
|0.0080| 13
|0.0190| 13
|0.0220| 13
|0.0070| 11
|0.0009| 11
|0.0140| 10
|0.0007| 10
|0.0170| 10
|0.0011| 9
|0.0010| 8
|0.0004| 7
|0.0008| 7
|0.0240| 7
|0.0210| 7
|0.0200| 6
|0.0040| 5
|0.0060| 5
|0.0230| 4
|0.0003| 4
|0.0250| 4
|0.0006| 4
|0.0013| 4
|0.0015| 3
|0.0005| 3
|0.0012| 3
|0.0016| 2
|0.0280| 2
|0.0270| 2
|0.0002| 2
|0.0350| 1
|0.0050| 1
|0.0260| 1
|0.0014| 1
|0.0017| 1
|0.0320| 1
|0.0019| 1
|0.0290| 1

19. Input_C_058

|數據|出現頻率|
|---|---|
|0.0080| 29
|0.0070| 26
|0.0100| 26
|0.0090| 23
|0.0110| 21
|0.0130| 17
|0.0060| 17
|0.0140| 16
|0.0050| 13
|0.0120| 13
|0.0160| 12
|0.0150| 12
|0.0170| 11
|0.0180| 10
|0.0005| 9
|0.0007| 8
|0.0010| 8
|0.0008| 8
|0.0006| 8
|0.0012| 7
|0.0013| 7
|0.0190| 7
|0.0014| 5
|0.0011| 5
|0.0040| 4
|0.0015| 4
|0.0017| 2
|0.0016| 2
|0.0009| 2
|0.0004| 2
|0.0220| 2
|0.0018| 2
|0.0200| 2
|0.0019| 1
|0.0270| 1
|0.0210| 1

20. Input_C_096

|數據|出現頻率|
|---|---|
|0.0100| 160
|0.0200| 117
|0.0000| 68