Номер рса: бесплатный номер телефона 8 800 по РФ

Создан 22 сен.

5,59522 золотых знака1313 серебряных знаков3535 бронзовых знаков

lang-py

Ваша конфиденциальность

Нажимая «Принять все файлы cookie», вы соглашаетесь с тем, что Stack Exchange может хранить файлы cookie на вашем устройстве и раскрывать информацию в соответствии с нашей Политикой использования файлов cookie.

Принимать все файлы cookie Настроить параметры

для уменьшения размерности в Python

Последнее обновление 18 августа 2020 г.

Уменьшение количества входных переменных для прогнозной модели называется уменьшением размерности.

Меньшее количество входных переменных может привести к более простой модели прогнозирования, которая может иметь лучшую производительность при прогнозировании новых данных.

Возможно, самый популярный метод уменьшения размерности в машинном обучении - это анализ главных компонентов, или сокращенно PCA. Это метод, который исходит из области линейной алгебры и может использоваться в качестве метода подготовки данных для создания проекции набора данных перед подгонкой модели.

В этом руководстве вы узнаете, как использовать PCA для уменьшения размерности при разработке прогнозных моделей.

После прохождения этого руководства вы будете знать:

• Снижение размерности включает уменьшение количества входных переменных или столбцов в данных моделирования.
• PCA - это метод линейной алгебры, который можно использовать для автоматического уменьшения размерности.
• Как оценивать прогнозные модели, использующие проекцию PCA в качестве входных данных, и делать прогнозы с новыми необработанными данными.

Начните свой проект с моей новой книги «Подготовка данных для машинного обучения», включающей пошаговые руководства и файлы исходного кода Python для всех примеров.

Приступим.

• Обновление май / 2020 : Улучшено комментирование кода.

Анализ основных компонентов для уменьшения размерности в Python
Фото: Forest Service, USDA, некоторые права защищены.

Обзор учебного пособия

Это руководство разделено на три части; их:

1. Уменьшение размерности и PCA
2. PCA Scikit-Learn API
3. Рабочий пример PCA для уменьшения размерности

Уменьшение размерности и PCA

Уменьшение размерности означает уменьшение количества входных переменных для набора данных.

Если ваши данные представлены в виде строк и столбцов, например, в электронной таблице, то входные переменные - это столбцы, которые передаются в качестве входных данных в модель для прогнозирования целевой переменной. Входные переменные также называются функциями.

Мы можем рассматривать столбцы данных, представляющие измерения в пространстве пространственных признаков n , и строки данных как точки в этом пространстве. Это полезная геометрическая интерпретация набора данных.

В наборе данных с k числовыми атрибутами вы можете визуализировать данные в виде облака точек в k-мерном пространстве…

- страница 305, Интеллектуальный анализ данных: практические инструменты и методы машинного обучения, 4-е издание, 2016 г.

Наличие большого количества измерений в пространстве признаков может означать, что объем этого пространства очень велик, и, в свою очередь, точки, которые у нас есть в этом пространстве (строки данных), часто представляют небольшую и нерепрезентативную выборку.

Это может резко повлиять на производительность алгоритмов машинного обучения, подходящих к данным с множеством входных функций, обычно называемых «проклятием размерности».

Поэтому часто желательно уменьшить количество входных функций.Это уменьшает количество измерений пространства признаков, отсюда и название «уменьшение размерности , ».

Популярный подход к уменьшению размерности - использование методов из области линейной алгебры. Это часто называется «проекция объекта », а используемые алгоритмы - «методы проекции ».

Методы проекции стремятся уменьшить количество измерений в пространстве признаков, сохраняя при этом наиболее важную структуру или отношения между переменными, наблюдаемыми в данных.

При работе с данными большой размерности часто бывает полезно уменьшить размерность, проецируя данные в подпространство более низкой размерности, которое отражает «сущность» данных. Это называется уменьшением размерности.

- стр. 11, Машинное обучение: вероятностная перспектива, 2012 г.

Полученный набор данных, проекция, затем можно использовать в качестве входных данных для обучения модели машинного обучения.

По сути, исходных функций больше не существует, и новые функции создаются на основе имеющихся данных, которые напрямую не сопоставимы с исходными данными, т.е.грамм. не имеют названий столбцов.

Любые новые данные, которые будут вводиться в модель в будущем при прогнозировании, такие как тестовый набор данных и новые наборы данных, также должны быть спроецированы с использованием того же метода.

, или PCA, может быть самым популярным методом уменьшения размерности.

Наиболее распространенный подход к снижению размерности называется анализом главных компонентов или PCA.

- стр. 11, Машинное обучение: вероятностная перспектива, 2012 г.

Его можно рассматривать как метод проецирования, при котором данные с м -колонками (характеристиками) проецируются в подпространство с m или меньшим количеством столбцов, сохраняя при этом суть исходных данных.

Метод PCA может быть описан и реализован с использованием инструментов линейной алгебры, в частности, матричного разложения, такого как собственное разложение или SVD.

PCA можно определить как ортогональную проекцию данных на линейное пространство меньшей размерности, известное как главное подпространство, так что дисперсия проецируемых данных максимальна

- страница 561, Распознавание образов и машинное обучение, 2006 г.

Для получения дополнительной информации о том, как рассчитывается PCA, см. Учебное пособие:

Теперь, когда мы знакомы с PCA для уменьшения размерности, давайте посмотрим, как мы можем использовать этот подход с библиотекой scikit-learn.

Хотите начать подготовку данных?

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

PCA Scikit-Learn API

Мы можем использовать PCA для расчета проекции набора данных и выбора ряда измерений или основных компонентов проекции для использования в качестве входных данных для модели.

Библиотека scikit-learn предоставляет класс PCA, который можно разместить в наборе данных и использовать для преобразования набора данных для обучения и любого дополнительного набора данных в будущем.

Например:

... данные = ... # определить преобразование pca = PCA () # подготовить преобразование в наборе данных pca.fit (данные) # применить преобразование к набору данных transformed = pca.transform (данные)

Выходы PCA можно использовать в качестве входных данных для обучения модели.

Возможно, лучший подход - использовать конвейер, где первым шагом является преобразование PCA, а следующим шагом является алгоритм обучения, который принимает преобразованные данные в качестве входных.

... # определить конвейер шаги = [('pca', PCA ()), ('m', LogisticRegression ())] model = Трубопровод (шаги = шаги)

Также может быть хорошей идеей нормализовать данные перед выполнением преобразования PCA, если входные переменные имеют разные единицы или масштабы; например:

... # определить конвейер шаги = [('norm', MinMaxScaler ()), ('pca', PCA ()), ('m', LogisticRegression ())] model = Трубопровод (шаги = шаги)

Теперь, когда мы знакомы с API, давайте посмотрим на рабочий пример.

Рабочий пример PCA для уменьшения размерности

Во-первых, мы можем использовать функцию make_classification () для создания синтетической задачи двоичной классификации с 1000 примерами и 20 входными характеристиками, 15 входных данных из которых имеют смысл.

Полный пример приведен ниже.

# тестовый набор данных классификации из sklearn.datasets импортировать make_classification # определить набор данных X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 7) # резюмируем набор данных печать (X.форма, y.shape)

При выполнении примера создается набор данных и резюмируется форма входных и выходных компонентов.

Затем мы можем использовать уменьшение размерности для этого набора данных при подборе модели логистической регрессии.

Мы будем использовать конвейер, в котором на первом этапе выполняется преобразование PCA и выбираются 10 наиболее важных измерений или компонентов, а затем для этих функций применяется модель логистической регрессии. Нам не нужно нормализовать переменные в этом наборе данных, так как все переменные имеют одинаковый масштаб по дизайну.

Конвейер будет оцениваться с использованием многократной стратифицированной перекрестной проверки с тремя повторениями и 10 повторениями на повтор.Производительность представлена ​​как средняя точность классификации.

Полный пример приведен ниже.

# оценить pca с помощью алгоритма логистической регрессии для классификации из среднего значения импорта из numpy import std из sklearn.datasets импортировать make_classification из sklearn.model_selection импорт cross_val_score из sklearn.model_selection import RepeatedStratifiedKFold из sklearn.pipeline import Pipeline из склеарна.декомпозиция импорта PCA из sklearn.linear_model import LogisticRegression # определить набор данных X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 7) # определить конвейер шаги = [('pca', PCA (n_components = 10)), ('m', LogisticRegression ())] model = Трубопровод (шаги = шаги) # оценить модель cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) n_scores = cross_val_score (модель, X, y, оценка = 'точность', cv = cv, n_jobs = -1, error_score = 'поднять') # отчет об эффективности print ('Точность:%.3f (% .3f) '% (среднее (n_scores), std (n_scores)))

При выполнении примера оценивается модель и сообщается о точности классификации.

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 преобразование PCA с логистической регрессией достигло производительности около 81.8 процентов.

Как мы узнаем, что сокращение 20 измерений ввода до 10 - это хорошо или лучшее, что мы можем сделать?

Мы не делаем; 10 было произвольным выбором.

Лучший подход - оценить одно и то же преобразование и модель с разным количеством входных функций и выбрать количество функций (степень уменьшения размерности), обеспечивающее наилучшую среднюю производительность.

В приведенном ниже примере выполняется этот эксперимент и обобщается средняя точность классификации для каждой конфигурации.

# сравнить количество компонентов PCA с алгоритмом логистической регрессии для классификации из среднего значения импорта из numpy import std из sklearn.datasets импортировать make_classification из sklearn.model_selection импорт cross_val_score из sklearn.model_selection import RepeatedStratifiedKFold из sklearn.pipeline import Pipeline из sklearn.decomposition import PCA из sklearn.linear_model import LogisticRegression из matplotlib import pyplot # получить набор данных def get_dataset (): X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 7) вернуть X, y # получить список моделей для оценки def get_models (): модели = dict () для i в диапазоне (1,21): шаги = [('pca', PCA (n_components = i)), ('m', LogisticRegression ())] модели [str (i)] = Конвейер (шаги = шаги) вернуть модели # оценить данную модель с помощью перекрестной проверки def оценивать_модель (модель, X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) scores = cross_val_score (модель, X, y, scoring = 'точность', cv = cv, n_jobs = -1, error_score = 'поднять') вернуть баллы # определить набор данных X, y = get_dataset () # получить модели для оценки модели = get_models () # оценить модели и сохранить результаты результаты, имена = список (), список () для имени, модели в моделях.Предметы(): оценки = оценка_модель (модель, X, y) results.append (баллы) names.append (имя) print ('>% s% .3f (% .3f)'% (имя, среднее (баллы), стандартное (баллы))) # построить график производительности модели для сравнения pyplot.boxplot (результаты, метки = имена, showmeans = True) pyplot.xticks (вращение = 45) pyplot.show ()

При выполнении примера сначала сообщается о точности классификации для каждого количества выбранных компонентов или функций.

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.

Мы видим общую тенденцию к увеличению производительности по мере увеличения количества измерений. На этом наборе данных результаты предполагают компромисс между количеством измерений и точностью классификации модели.

Интересно, что мы не видим никаких улучшений, кроме 15 компонентов.Это соответствует нашему определению проблемы, где только первые 15 компонентов содержат информацию о классе, а остальные пять являются избыточными.

> 1 0,542 (0,048) > 2 0,713 (0,048) > 3 0,720 (0,053) > 4 0,723 (0,051) > 5 0,725 (0,052) > 6 0,730 (0,046) > 7 0,805 (0,036) > 8 0,800 (0,037) > 9 0,814 (0,036) > 10 0,816 (0,034) > 11 0,819 (0,035) > 12 0,819 (0,038) > 13 0,819 (0.035) > 14 0,853 (0,029) > 15 0,865 (0,027) > 16 0,865 (0,027) > 17 0,865 (0,027) > 18 0,865 (0,027) > 19 0,865 (0,027) > 20 0,865 (0,027)

График в виде прямоугольников и усов создается для распределения оценок точности для каждого настроенного количества измерений.

Мы видим тенденцию повышения точности классификации с увеличением количества компонентов с пределом 15.

Ящичный график количества компонентов PCA в зависимости от точности классификации

В качестве окончательной модели мы можем использовать комбинацию модели преобразования PCA и модели логистической регрессии.

Это включает настройку конвейера на все доступные данные и использование конвейера для прогнозирования новых данных. Важно отметить, что такое же преобразование должно быть выполнено с этими новыми данными, которое обрабатывается автоматически через конвейер.

В приведенном ниже примере показан пример подгонки и использования окончательной модели с преобразованиями PCA для новых данных.

# делать прогнозы с помощью pca с логистической регрессией из sklearn.datasets импортировать make_classification из склеарна.трубопровод импортный трубопровод из sklearn.decomposition import PCA из sklearn.linear_model import LogisticRegression # определить набор данных X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 7) # определить модель шаги = [('pca', PCA (n_components = 15)), ('m', LogisticRegression ())] model = Трубопровод (шаги = шаги) # подогнать модель ко всему набору данных model.fit (X, y) # сделать единый прогноз row = [[0.2929949, -4,21223056, -1,288332, -2,17849815, -0,64527665,2,58097719, 0,28422388, -7,1827928, -1.

104,2.73729512,0.81395695,3.96973717, -2.66939799,3.3469232132,4998.40184188, -2.66939799, 334692332, 42.1970] ] yhat = model.predict (строка) print ('Прогнозируемый класс:% d'% yhat [0])

При выполнении примера подбирается конвейер для всех доступных данных и делается прогноз на основе новых данных.

Здесь преобразование использует 15 наиболее важных компонентов преобразования PCA, как мы обнаружили в ходе тестирования выше.

Предоставляется новая строка данных с 20 столбцами, которая автоматически преобразуется в 15 компонентов и передается в модель логистической регрессии для прогнозирования метки класса.

Дополнительная литература

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

Учебники

Книги

API

Статьи

Сводка

В этом руководстве вы узнали, как использовать PCA для уменьшения размерности при разработке прогнозных моделей.

В частности, вы выучили:

• Снижение размерности включает уменьшение количества входных переменных или столбцов в данных моделирования.
• PCA - это метод линейной алгебры, который можно использовать для автоматического уменьшения размерности.
• Как оценивать прогнозные модели, использующие проекцию PCA в качестве входных данных, и делать прогнозы с новыми необработанными данными.

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

Получите представление о современной подготовке данных!

Подготовьте данные машинного обучения за считанные минуты

... всего несколькими строками кода Python

Узнайте, как это сделать, в моей новой электронной книге:
Подготовка данных для машинного обучения

Он предоставляет руководств для самообучения с полным рабочим кодом на:
Выбор функций , RFE , Очистка данных , Преобразования данных , Масштабирование , Уменьшение размерности , и многое другое...

Используйте современные методы подготовки данных для

Лицензирование опасных отходов | Агентство по контролю за загрязнением штата Миннесота

Предприятия, некоммерческие организации и правительственные подразделения, которые производят большинство видов опасных отходов на объектах в Миннесоте, должны ежегодно сообщать об этих отходах в Агентство по контролю за загрязнением штата Миннесота (MPCA) или в их столичный округ, вносить плату, и получить лицензию на следующий год.

Столичный округ

Производители опасных отходов в Аноке, Карвере, Дакоте, Хеннепине, Скотте, Рэмси и Вашингтоне лицензированы округом. Если ваш объект расположен в одном из городских округов, свяжитесь с округом для получения информации о местной процедуре лицензирования опасных отходов и требованиях.

Генераторы, не относящиеся к метрополитенам (за пределами столичных округов)

Какие виды опасных отходов подлежат отчетности, оплате и лицензированию?

Не все опасные отходы в Миннесоте подлежат отчетности, сборам или лицензированию.См. Информационный бюллетень об опасных отходах № 1.01, Шаг 1: Оценка отходов (w-hw1-01)

Как и когда мне сообщать об опасных отходах?

Во-первых, убедитесь, что вы получили бесплатный идентификационный номер опасных отходов (HWID) для вашего объекта от MPCA. Этот номер также широко известен как «Идентификационный номер EPA». HWID постоянно присваиваются вашему сайту, а не вам как компании, поэтому, если ваш бизнес переезжает, вы должны получить новый HWID для нового сайта.

Заявки принимаются только после окончания календарного года.Заявки на опасные отходы, образовавшиеся в прошлом году, можно подавать с 1 января по 15 августа. Например, заявку на лицензию производителей опасных отходов на 2020 год можно подать с 1 января по 15 августа 2021 года. Обязательно следуйте всем инструкциям по подаче заявки. Если год подачи заявки был пропущен, отправьте электронное письмо координатору лицензирования опасных отходов: [email protected]

Если на вашем объекте образуется более 100 фунтов опасных отходов, подлежащих регистрации, в течение года, но вы не получаете напоминания о заполнении заявки на лицензию от MPCA, вы все равно несете ответственность за подачу заполненной заявки в MPCA.

Если на вашем объекте образуется 100 фунтов опасных отходов, подлежащих регистрации, или меньше в течение года, или определенные типы переработанных опасных отходов, за которые не взимается ежегодная плата, вам будут реже отправляться напоминания. Генераторы, соответствующие этому описанию, известны как генераторы минимального количества (MiniQG). Заполните заявку на лицензию всякий раз, когда вы получите уведомление с напоминанием, даже если вы считаете, что являетесь MiniQG. Заполненная заявка на лицензию подтверждает ваш статус MiniQG в MPCA и обеспечивает актуальность и точность записей MPCA.

Сколько будут стоить мои лицензионные сборы?

Ваш годовой сбор за опасные отходы рассчитывается на основе количества опасных отходов, которые вы указали в предыдущем календарном году, и того, как эти отходы были обработаны. Все производители опасных отходов, которым требуется лицензия, облагаются ежегодным базовым сбором, который варьируется от года к году в соответствии с целями, установленными Законодательным собранием, который недавно составлял около 600 долларов. Если вы являетесь производителем малых количеств (SQG) или генератором крупных объемов (LQG), вам также будет начислена плата за объем, которая также варьируется от года к году, но в последнее время колеблется от 5 до 10 центов за фунт.

Если вы являетесь MiniQG, вы освобождены от ежегодных лицензионных сборов. В настоящее время MPCA не выдает лицензии на обращение с опасными отходами для MiniQG.

Как и когда мне заплатить комиссию?

Если от вас требуется оплата пошлины, вам будет отправлен счет весной того года, когда вы подадите заявку на лицензию. Вы можете оплатить комиссию онлайн путем электронного снятия с текущего счета (электронный чек), Visa ™ или MasterCard ™ с помощью инструмента онлайн-платежей MPCA или отправить чек по почте на адрес, указанный в счете.Не забудьте оплатить в срок, указанный в счете, в противном случае вам могут быть начислены штрафы за просрочку платежа.

Если у вас возникли трудности с использованием системы онлайн-платежей или у вас есть вопросы по оплате вашего взноса, свяжитесь с сотрудниками MPCA по оплате.

Как получить лицензию?

После того, как вы заплатите взнос, ваша лицензия будет доступна для печати с помощью инструмента MPCA для поиска лицензий на опасные отходы. Вы несете ответственность за посещение этой веб-страницы и распечатку лицензии. Прежде чем вы попытаетесь получить доступ и распечатать лицензию, подождите не менее двух недель, чтобы MPCA получил и обработал ваш платеж.

Разместите свою лицензию в зоне, доступной для широкой публики на лицензированном сайте, например в вестибюле, приемной или стойке обслуживания клиентов. Если на вашем сайте нет областей, открытых для публики, вы можете разместить свою лицензию в общей области для сотрудников.

Если вы не можете загрузить свою лицензию с веб-сайта MPCA, обратитесь в отдел лицензирования MPCA и попросите прислать вам копию вашей лицензии.

Как я могу убедиться, что MPCA имеет правильную информацию об отходах?

Информация о сайте доступна с помощью справочного инструмента MPCA What in My Neighborhood.Вы также можете просмотреть информацию, которую вы отправили через электронную службу MPCA.

Общие вопросы лицензирования опасных отходов

Если ваш объект был закрыт в течение последнего календарного года или позже, вы все равно должны заполнить и подать заявку на лицензию, чтобы сообщать обо всех опасных отходах, образовавшихся в течение этого года.

Чтобы гарантировать, что вы не несете ответственности за любые опасные отходы, образующиеся в будущем на этом объекте, обязательно заполните и отправьте уведомление о регулируемой деятельности с отходами с помощью наших онлайн-сервисов.

Идентификационные номера опасных отходов привязаны к конкретному адресу. Если вы переехали на новый сайт в течение последнего календарного года или позже, получите новый HWID для нового сайта. Вам также необходимо будет деактивировать ваш старый сайт. Инструкции для этого можно найти в следующем документе:

Во-первых, просмотрите информационный бюллетень об опасных отходах № 1.01, Шаг 1: Оценка отходов (w-hw1-01), чтобы убедиться, что вы не производили никаких опасных отходов, подлежащих регистрации, на своем участке. Заполните и отправьте заявку на лицензию с помощью электронной службы MPCA, чтобы убедиться, что вы не производили никаких опасных отходов, подлежащих регистрации, на своем объекте.

Вы можете ввести «0» в столбец суммы для соответствующей строки отходов в заявке на лицензию. Также есть опция флажка в верхней части информации об отходах, которую можно выбрать, если не образовывались опасные отходы.

Ваша лицензия на производство опасных отходов не ограничивает вас каким-либо конкретным размером генератора. В заявке на лицензию сообщайте обо всех опасных отходах, образовавшихся вами в течение последнего календарного года, включая разливы мусора и очистку.

Вам не нужно уведомлять MPCA, если размер вашего генератора увеличивается, хотя вы можете запросить «изменение размера» до вашего обычного размера генератора после разлива или очистки, если захотите.Заполните Уведомление о регулируемой деятельности с отходами онлайн-электронных услуг, чтобы обновить размер генератора.

Помните, что если размер вашего генератора увеличивается из-за необычного события, вы должны соответствовать всем требованиям, предъявляемым к генератору большего размера на те месяцы, которые вы генерировали сверх, даже если размер вашего предприятия может быть изменен. Вы можете получить дополнительную информацию об этих требованиях, просмотрев: Определить размер генератора (w-hw1-02)

Многие переработанные опасные отходы имеют право на освобождение от всех требований по опасным отходам, иногда включая отчетность, если вы документально подтверждаете, что ваши переработанные отходы соответствуют условиям для каждого конкретного исключения.Инструкции по определению того, как именно регулируются ваши переработанные опасные отходы, а также как об этом сообщать и документировать, можно найти в информационном бюллетене по опасным отходам № 2.42, Переработка опасных отходов (w-hw2-42).

Если вы утилизируете и повторно используете определенные опасные отходы на месте, например, в моечной машине для рециркуляции деталей, вы все равно должны сообщать об этих отходах, хотя вы имеете право на сокращение количества отходов, которые вы должны подсчитывать и сообщать.

Вы можете подать апелляцию на сумму начисленного вами сбора. Сначала вы должны оплатить полную сумму счета к установленному сроку, а затем отправить письменное объяснение того, почему вы считаете, что плата была неправильной, в MPCA по адресу, указанному в вашей заявке на лицензию, или отправить электронное письмо персоналу лицензирования MPCA.MPCA рассмотрит ваше дело и при необходимости вернет уплаченный сбор.

Если вы не оплатите взнос в установленный срок, к нему будут добавлены штрафы за просрочку платежа и проценты. Затем ваш гонорар будет отправлен в коллекторское агентство, которое может предпринять любые юридические шаги для взыскания долга. MPCA не сможет выдать вам новую лицензию, и если вы продолжите производить опасные отходы, вас могут привлечь к ответственности за производство опасных отходов без необходимой лицензии.

Ваша предыдущая лицензия будет автоматически продлена до тех пор, пока вы не сможете получить доступ и распечатать новую, если вы подали заявку на лицензию в установленный срок и оплатили сбор.

Дополнительная информация

Свяжитесь с MPCA, если у вас возникнут вопросы относительно вашего приложения, сборов или лицензии.

• Вопросы по лицензированию: [email protected]
• Вопросы о размере вознаграждения: [email protected]
• Вопросы по оплате комиссионных: [email protected]

Дополнительную информацию о выявлении и обращении с опасными отходами в Миннесоте см. На веб-странице MPCA Hazardous Waste Publications.

PCA Provider Agency Регистрация

Исправлено: 3 марта 2021 г.

Заявление на участие в программе медицинского обслуживания штата Миннесота (MHCP), входящее в вашу первоначальную организацию по оказанию персональной помощи (PCPO) или персональную помощь (PCA), должно включать все элементы, перечисленные в этом разделе.

Владельцы, управляющие сотрудники и квалифицированные специалисты должны пройти обучение агентства PCA до завершения процесса регистрации. Любые дополнительные бизнес-сайты или местоположения также должны подавать полную заявку.

Поставщики услуг PCPO и PCA Choice должны выполнить следующие действия:

** Сертифицированные Medicare агентства по уходу на дому могут подать заявление Организация - поставщик медицинских услуг (DHS-4016A) (PDF) , если они также предоставляют услуги, отличные от PCA.Если вы предоставляете услуги PCA через зарегистрированное агентство по уходу на дому, они также должны выполнить шаги 2-3 описанного выше процесса регистрации.

Мы обрабатываем формы в порядке даты получения. Независимо от того, регистрируетесь ли вы через портал MPSE или по факсу, дайте 30 дней на обработку. Если нам потребуется дополнительная информация для завершения вашей регистрации, мы отправим запрос на получение дополнительной информации по почте США (или в ваш почтовый ящик MN – ITS, если у вас есть учетная запись) с сообщением о том, что вам нужно сделать, чтобы завершить регистрацию.

MHCP обязана соблюдать окончательные федеральные правила проверки поставщиков медицинских услуг Центрами Medicare и Medicaid Services (CMS).

См. Revalidation в разделе Provider Screening Requirements Руководства для провайдера MHCP для получения дополнительной информации о том, как завершить повторную валидацию.

Вы должны сообщать обо всех изменениях, внесенных в записи поставщика, в отдел соответствия требованиям и критериям поставщика MHCP.См. Изменения в регистрации в разделе Регистрация с MHCP Руководства поставщика MHCP.

Вы также должны соответствовать текущим требованиям других государственных агентств в отношении предприятий Миннесоты.

в PCA | MyFinancial.desktop

Полезно иметь коды TOP по умолчанию, которые можно вставить в запись транзакции вместо неправильных или отсутствующих кодов.FIN дает вам возможность назначать коды TOP для всего кода организации и индивидуального номера бюджета , который будет прикреплен к транзакциям.

Примечание. TOP-коды по умолчанию применяются только тогда, когда статус PCA кода вашей организации равен «A» (активен)

Код FIN TOP по умолчанию

Если вы решите не определять коды по умолчанию, будут использоваться следующие коды по умолчанию системы PCA, которые изначально отображаются в Плане счетов для кода вашей организации:

Код проекта по умолчанию:

• Смещение закрытия проекта: 9999P
• Ограниченный фонд по умолчанию: 99999X
• Сохранение заработной платы по умолчанию: 99999Y
• Непрямые затраты по умолчанию: 99999Z

Код задачи и опции по умолчанию:

• Закрытие (задача или вариант): 99P
• По умолчанию (задача или вариант): 999

FIN Ночная обработка

• Если транзакция правильно закодирована с помощью кода TOP, FIN проверит индекс PCA кода вашей организации и применит код соответствующим образом.
• Если процесс кодирования транзакции подпадает под любую из перечисленных ниже категорий, FIN автоматически применит соответствующий TOP-код по умолчанию:
  1. , когда транзакция не закодирована с помощью кода TOP.
  2. , однако, когда транзакция закодирована с помощью кода TOP, значение статуса кода не равно «A» (активен).
  3. , когда транзакция закодирована с помощью кода проекта, однако код проекта не является проектом «нижнего уровня» в иерархии проектов.
  4. , когда транзакция закодирована кодом TOP, которого нет в индексе PCA (т.е. написано с ошибкой).
  5. , когда номер бюджета транзакции отмечен флажком, чтобы указать, что значения по умолчанию не должны использоваться.
• Когда используется код TOP по умолчанию, код редактирования PCA (то есть код ошибки) автоматически применяется к транзакциям.

В каком порядке применяются коды по умолчанию?

• Если значения кода PCA TOP по умолчанию установлены номером бюджета, будут применяться коды бюджета по умолчанию
• Если значения по умолчанию для кода TOP установлены для определенных категорий (трудовые ресурсы, доходы или бюджетные операции), будут применяться значения по умолчанию для этих конкретных категорий.

  No related posts.