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 답변이 요청과 맞는지 검토에서 걸려 답변을 다시 만듭니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 오늘 가동하는 장비 중 고장 날 것 같은 장비를 미리 알려드리는 작업은, 장비 상태 값으로 고장 여부를 예측하는 분류 모델을 만드는 일이에요. 붙어 있는 데이터에는 제품등급, 외부온도K, 공정온도K, 회전속도rpm, 토크Nm, 공구사용분 같은 상태 값과 고장여부(정답) 열이 있어서 계획을 세울 수 있습니다. 다만 '오늘 가동하는 장비' 목록이나 장비 식별자는 데이터에 없어서, 결과는 상태 값이 주어진 장비들에 대해 고장 가능성이 높은 순서로 알려드리는 형태가 됩니다. 학습과 평가는 아직 실행하지 않았고, 실행에는 별도 승인이 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 91.8%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기본 하네스 모델은 튜닝되지 않은 참조 모델이므로, 소수 클래스 재현율을 직접 겨냥한 특성 상호작용과 부스팅 설정 조정으로 개선 실험을 제안합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 92.4%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 후보(t2, balanced_accuracy 0.92394)는 소수 클래스 재현율을 올렸지만 소수 클래스 쪽으로 과다 예측하는 경향이 남아 있습니다. 소수 클래스 가중치를 줄이고 트리 복잡도를 낮춘 다음 실험으로 두 클래스 재현율의 균형을 개선해 점수를 더 올려보겠습니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 이미 시험한 코드와 같아 다시 학습하지 않았습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 92.5%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.