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 모델을 만들려면, 먼저 어떤 장비가 '고장'인지 알려주는 기록이 필요해요. 지금 붙어 있는 데이터에는 설비 센서 값(외부온도K, 공정온도K, 회전속도rpm, 토크Nm, 공구사용분)과 고장 종류 열(공구마모고장, 열방출고장, 전력고장, 과부하고장, 무작위고장), 그리고 고장여부 열이 있어요. 이 고장여부를 정답으로 쓰면 '고장 날 것 같은 장비'를 미리 알려주는 분류 모델을 만들 수 있습니다. 다만 '오늘 가동하는 장비' 목록은 이 데이터에 없어서, 예측 결과를 오늘 가동 중인 장비 목록에 붙여 보여드리는 방식이 됩니다.
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 종류로 정답이 생긴 뒤에만 기록됩니다. - '열방출고장': 열방출고장은 고장 결과의 한 종류로 정답이 생긴 뒤에만 기록됩니다. - '전력고장': 전력고장은 고장 결과의 한 종류로 정답이 생긴 뒤에만 기록됩니다. - '과부하고장': 과부하고장은 고장 결과의 한 종류로 정답이 생긴 뒤에만 기록됩니다. - '무작위고장': 무작위고장은 고장 결과의 한 종류로 정답이 생긴 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 88.2%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기본 하네스 모델은 이 데이터에 맞게 조정된 것이 아니라 비교 기준입니다. 고장(class_2) 재현율이 낮다는 진단 근거가 있으므로, 소수 클래스 가중치와 부스팅 설정을 조정한 개선 실험을 한 번 제안합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 88.3%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 고장(소수 클래스) 재현율을 끌어올리는 임계값 조정 실험을 한 번 더 진행합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 88.3%. 지금까지 가장 좋은 후보와 같은 점수라 기존 후보를 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 고장(소수 클래스) 재현율이 낮아 balanced_accuracy 손실이 집중되어 있고, 같은 부스팅 계열의 가중치·임계값 조정은 두 번 모두 개선이 없었습니다. 다른 모델 계열로 바꿔 소수 클래스 재현율을 높이는 실험을 제안합니다.
ML 엔지니어 후보 4번을 시험했습니다. 균형 정확도 50.0%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 같은 트리 계열의 가중치·임계값 반복은 점수를 못 올렸고, 다른 계열 시도는 소수 클래스를 전혀 예측하지 못했습니다. 소수 클래스 재현율 손실을 겨냥해 스케일링된 선형 모델과 교차검증 기반 임계값 선택으로 방향을 바꿔 한 번 더 시도합니다.
ML 엔지니어 후보 5번을 시험했습니다. 균형 정확도 75.5%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델(t2, balanced_accuracy 0.8831)은 소수 클래스(고장) 재현율이 낮아 개선 여지가 있습니다. 같은 부스팅 계열의 가중치·임계값 반복은 포화되었으므로, 소수 클래스에 민감한 다른 트리 계열과 교차검증 기반 임계값 선택으로 한 번 더 시도합니다.
ML 엔지니어 후보 6번을 시험했습니다. 균형 정확도 92.9%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 후보 t6(0.9285)의 남은 손실은 고장 과대 예측에서 오는 것으로 보여, 같은 계열에서 임계값·트리 설정만 조정하는 실험을 제안합니다.
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 92.8%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.