4. 覆盖度概念

TinyML 模型在部署到真实边缘设备之前，数据验收的核心问题不是“模型在测试集上准确率多高”，而是“训练数据是否充分覆盖了目标世界的多样性”。覆盖度（Coverage）正是衡量这一充分性的关键指标。它回答的是：我们采集到的数据，在多大程度上代表了真实运行环境中可能出现的输入分布？如果覆盖度不足，模型在实验室表现良好，一旦部署到现场，面对未见过的特征组合、场景变化、类别形态或时间漂移，性能会急剧下降。本章将系统阐述覆盖度的四个核心维度——特征覆盖、场景覆盖、类别覆盖、时间覆盖，并给出可操作的度量方法与验收标准。

上图展示了覆盖度体系的整体框架。四个维度并非孤立存在，而是相互关联、层层递进：特征覆盖是基础，场景覆盖是特征在真实环境中的组合体现，类别覆盖关注输出空间的完整性，时间覆盖则从纵向维度保证数据的时效性。在实际验收中，需要综合评估四个维度，才能全面判断数据质量是否满足 TinyML 模型训练与部署的要求。

4.1 核心原理：为什么覆盖度是 TinyML 数据质量的基石

TinyML 模型通常部署在资源受限的微控制器上，模型容量小、泛化能力有限，对训练数据的分布非常敏感。覆盖度不足会导致两个典型问题：过拟合于采集环境和对未知输入的脆弱性。例如，一个用于工业设备振动监测的模型，如果只在恒温恒湿的实验室采集数据，特征覆盖仅包含正常工况下的振动频率，那么当现场温度变化导致材料刚度改变、振动特征偏移时，模型就会失效。

覆盖度的本质是输入空间与输出空间的完备性检验。它要求我们不仅关注“有多少数据”，更要关注“数据覆盖了哪些区域”。在 TinyML 场景中，由于数据采集通常依赖电池供电的传感器节点，采集成本高、存储有限，因此覆盖度分析可以帮助我们以最小的数据量获得最大的分布代表性。

4.2 特征覆盖：定义、度量与操作流程

定义：特征覆盖衡量的是数据集中各个特征（如加速度计的 X/Y/Z 轴值、麦克风的频率分量、温湿度读数等）的取值范围、分布形态以及特征间组合关系的完备程度。它关注的是“输入信号本身”的多样性。

度量方法：

度量指标	定义	计算方法	验收阈值建议
单特征值域覆盖率	特征实际取值区间占理论可能区间的比例	(max_actual - min_actual) / (max_theory - min_theory)	≥ 90%
分位数覆盖度	特征在 1%、5%、95%、99% 分位数处是否有样本	统计各分位数区间内样本数	每个分位区间样本数 ≥ 10
Pairwise 组合覆盖率	任意两个特征组合的取值对覆盖比例	覆盖的组合对 / 所有可能组合对	≥ 70%（关键特征对需 100%）
分布熵	样本在各网格单元分布的均匀程度	Shannon 熵 / 最大熵	≥ 0.8

操作流程：

1. 特征清单梳理：列出模型使用的所有输入特征，包括原始信号和手工提取的特征（如均值、方差、峰值、频谱能量等）。
2. 理论边界确定：根据传感器量程、物理约束和应用场景，确定每个特征的理论最小值和最大值。例如，加速度计的量程为 ±16g，则理论范围为 [-16, 16]。
3. 实际分布统计：对采集的数据集进行统计分析，计算每个特征的实际 min/max、分位数、直方图分布。
4. 组合覆盖分析：使用成对组合测试（Pairwise Testing）的思想，检查关键特征对（如加速度 X 与 Y）的联合分布是否覆盖了主要区域。
5. 缺口识别与补采：将未覆盖的区域标记为“数据空洞”，制定针对性的补采计划。

4.3 场景覆盖：从实验室到真实世界的桥梁

定义：场景覆盖关注的是数据采集时所处的环境条件、操作方式、干扰因素等上下文信息的完备性。它比特征覆盖更高一层，因为同一个特征值在不同场景下可能对应完全不同的物理含义。例如，麦克风采集的 1kHz 频率分量，在安静的办公室可能意味着设备故障，而在嘈杂的工厂车间可能只是环境噪声。

场景维度拆解：

• 环境条件：温度、湿度、光照、噪声等级、振动背景、电磁干扰等。
• 操作方式：设备安装位置、朝向、使用者习惯、操作流程差异。
• 干扰因素：遮挡、部分故障、传感器老化、电源波动、通信丢包等。
• 边界条件：极端温度、最大负载、最低电量、最大距离等。

度量方法：场景覆盖通常采用场景清单法。首先建立场景矩阵，每一行是一个场景维度，每一列是一个具体场景值。然后统计数据集中每个场景组合是否有样本覆盖。场景覆盖率 = 已覆盖场景组合数 / 总场景组合数。但实际中，全组合数可能爆炸，因此通常采用正交实验设计或基于风险的抽样来选取关键场景组合。

4.4 类别覆盖：输出空间的完整性与均衡性

定义：类别覆盖针对分类任务，衡量数据集中是否包含所有目标类别，以及每个类别的样本数量是否足以支撑模型训练。它关注的是“模型需要区分什么”。

度量指标：

指标	定义	计算公式	验收标准
类别完整度	实际包含的类别数 / 应包含的类别总数	N_actual / N_required	100%（不允许缺失）
类别样本量	每个类别的最小样本数	min(n_i)	≥ 模型参数量的 10 倍（经验值）
类别均衡度	样本分布的均匀程度	1 - (max(n_i) - min(n_i)) / (max(n_i) + min(n_i))	≥ 0.6
类别可分性	不同类别特征分布的分离程度	类间距离 / 类内距离（如 Fisher 判别比）	≥ 1.0

操作流程：

1. 类别清单确认：与业务方确认完整的类别列表，包括正常态、各类故障态、过渡态等。
2. 样本量统计：统计每个类别的样本数，绘制柱状图。
3. 均衡性分析：计算均衡度指标，识别少数类。
4. 可分性评估：使用 t-SNE 或 PCA 降维可视化，检查类别间是否有重叠。
5. 补采策略：对少数类进行过采样（数据增强）或针对性补采。

4.5 时间覆盖：应对数据漂移与周期变化

定义：时间覆盖衡量数据在时间维度上的完整性，包括采集时间跨度、采样时刻的均匀性、以及是否覆盖了周期性变化（如昼夜、季节、工作日/周末）和长期漂移（如设备老化、环境渐变）。

度量方法：

• 时间跨度覆盖：数据采集的总时长 / 目标运行周期（如一年）。对于季节性明显的应用，建议覆盖至少一个完整周期。
• 采样时刻均匀性：将一天 24 小时划分为 24 个时段，统计每个时段是否有数据。覆盖率 = 有数据的时段数 / 24。
• 周期覆盖：对于有明确周期的场景（如设备启停周期、交通流量周期），检查每个周期阶段是否有样本。
• 漂移检测覆盖：数据是否包含时间序列上的趋势变化。可通过将数据按时间分段，比较各段特征分布的相似度（如 KL 散度）来评估。

4.6 常见误区与总结复盘

误区一：覆盖度越高越好。实际上，覆盖度提升会带来数据采集成本、存储成本和训练时间的增加。TinyML 项目应在覆盖度与资源约束之间取得平衡。建议采用增量式覆盖评估：先达到 80% 覆盖度，训练模型评估性能，再针对性能短板补充数据。

误区二：只关注特征覆盖，忽略场景覆盖。特征覆盖是“点”的覆盖，场景覆盖是“面”的覆盖。两个数据集可能有相同的特征分布，但一个来自单一场景，另一个来自多个场景，后者的泛化能力远强于前者。

误区三：类别覆盖只看数量，不看质量。如果一个类别的样本全部来自同一个传感器、同一个时间段，即使数量足够，其多样性也不足。应确保每个类别的样本来自多个采集会话、多个设备、多个操作者。

误区四：时间覆盖被当作“事后检查”。时间覆盖必须在数据采集计划阶段就纳入设计。如果等到数据采集完成后再检查，往往已经无法弥补缺失的时间段。

总结复盘：覆盖度验收是 TinyML 数据质量的第一道关卡。建议建立“四维覆盖度检查表”，在数据采集前明确目标，采集中定期评估，采集后全面验收。四个维度中，特征覆盖是基础，场景覆盖是保障，类别覆盖是核心，时间覆盖是长期稳定性的关键。只有四个维度都达到验收标准，才能进入模型训练阶段。