오늘 가동하는 장비 중에 고장 날 것 같은 장비를 미리 알려줘

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

대화

ML 엔지니어 10,000행과 12개 항목을 읽었습니다. 첨부한 자료와 요청을 함께 확인합니다. 데이터를 살펴보거나 궁금한 내용을 물어볼 수 있습니다. 아직 모델 학습은 시작하지 않았습니다.
질문한 사람 오늘 가동하는 장비 중에 고장 날 것 같은 장비를 미리 알려줘
ML 엔지니어 오늘 가동하는 장비 중 고장 날 것 같은 장비를 미리 알려주는 것이 목표네요. 지금은 장비 고장 여부를 예측하는 모델을 만들 계획을 세울 수 있습니다. 다만 '오늘 가동하는 장비' 목록은 데이터에 없어서, 학습된 모델로 예측할 대상 목록은 따로 준비가 필요합니다.
ML 엔지니어 학습 전에 확인할 입력이 있습니다. 다음 항목은 '고장여부'을(를) 예측하는 시점에는 아직 알 수 없는 값으로 보입니다. - '공구마모고장': 공구마모고장은 고장 결과의 한 유형으로 정답이 발생한 뒤에만 기록됩니다. - '열방출고장': 열방출고장은 고장 결과의 한 유형으로 정답이 발생한 뒤에만 기록됩니다. - '전력고장': 전력고장은 고장 결과의 한 유형으로 정답이 발생한 뒤에만 기록됩니다. - '과부하고장': 과부하고장은 고장 결과의 한 유형으로 정답이 발생한 뒤에만 기록됩니다. - '무작위고장': 무작위고장은 고장 결과의 한 유형으로 정답이 발생한 뒤에만 기록됩니다. 이 값을 넣고 학습하면 점수가 실제로 쓸 때보다 높게 나옵니다. 처음 보는 데이터로 하는 최종 확인은 한 번뿐이라 학습 전에 정해 주세요. '공구마모고장', '열방출고장', '전력고장', '과부하고장', '무작위고장'을(를) 빼고 진행할지, 그대로 진행할지 아래에서 골라 주세요. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 사용자가 '공구마모고장', '열방출고장', '전력고장', '과부하고장', '무작위고장'을(를) 학습 입력에서 빼기로 했습니다. 이 입력 없이 첫 모델을 만듭니다.
ML 엔지니어 첫 모델을 만듭니다. 여러 방법을 시험해 가장 나은 것을 고르고, 마지막에 처음 보는 데이터로 한 번 더 확인합니다.
ML 엔지니어 하네스 기본 후보를 시험했습니다. 균형 정확도 89.3%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기본 하네스 모델은 튜닝되지 않은 참조 모델이므로, 범주형 인코딩과 부스팅 설정을 바꾼 개선 실험을 제안합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 81.1%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2의 원-핫·깊은 트리 방향은 점수가 하락해 기각하고, 소수 클래스 가중치와 임계값 보정이라는 다른 가설로 전환합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 90.2%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t3가 현재 최고 후보이고 남은 예산과 실행 한도 안에서 트리 복잡도 축소와 비용 민감 임계값 규칙을 결합한 개선 실험을 한 번 더 시도합니다.
ML 엔지니어 후보 4번을 시험했습니다. 균형 정확도 88.5%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 후보 t3(0.9020)를 유지한 채, t4에서 확인된 소수 클래스 과다 예측 문제를 가중치 완화와 임계값 재보정으로 줄이는 실험을 한 번 더 시도합니다.
ML 엔지니어 후보 5번을 시험했습니다. 균형 정확도 89.9%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 점수가 오르지 않아 방향을 다시 봅니다. 같은 방향을 반복하지 않고, 남은 예산으로 다른 방법을 시험할지 지금까지 가장 좋은 후보로 마칠지 정합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트가 후보 5개를 시험한 뒤 더 시험하지 않기로 했습니다. 남은 예산 9,268원 중 40원을 최종 확인에 씁니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 88.4%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.