35분
앙상블 모델: Voting & Stacking
Day 3: 고장 분류 모델
앙상블 모델: Voting & Stacking
예지보전 — 설비 고장 예측 시스템 > Day 3: 고장 분류 모델
학습 목표
Voting과 Stacking 앙상블 기법을 구현할 수 있다 개별 모델보다 앙상블이 안정적인 이유를 이해한다 제조 현장에서 앙상블 적용 전략을 세울 수 있다
앙상블 모델
[앙상블 전략]
Voting: 여러 모델의 투표로 결정
├── Hard Voting: 다수결
└── Soft Voting: 확률 평균 (더 정확)
Stacking: 모델 출력을 입력으로 메타 모델 학습
├── Level 0: RF, XGB, SVM 예측
└── Level 1: Logistic Regression으로 최종 결정제조 PdM에서 앙상블이 중요한 이유
| 문제 | 단일 모델 | 앙상블 |
|---|---|---|
| 노이즈 민감 | 높음 | 낮음 |
| 과적합 | 위험 | 안전 |
| 예측 안정성 | 불안정 | 안정적 |
| 신뢰성 | 보통 | 높음 |
아래 코드를 ensemble.py로 저장하고 실행하세요.
에디터 로딩 중...
힌트 보기
- • Soft Voting은 확률 평균을 사용하므로 Hard Voting보다 일반적으로 좋다
- • Stacking의 meta-learner로 Logistic Regression이 일반적이다
- • 앙상블은 개별 모델보다 항상 같거나 더 좋다 (이론적 보장)
- • 제조 현장에서는 예측 안정성이 정확도만큼 중요하다
AI로 학습하기 — 꿀팁
✅앙상블 리크 & 스태킹 검증AI 학습 팁
AI에게 Stacking 앙상블 구현에서 메타 학습기 훈련 시 base learner 예측값이 훈련 데이터를 포함하는 누수를 탐지해달라고 요청하세요.
이 제조 PdM 앙상블 코드(Voting + Stacking)에서 Stacking 메타 학습기 훈련 시 base learner가 자신의 훈련 샘플에 대한 예측을 그대로 사용하는 누수가 있는지 확인하고, cross_val_predict로 OOF 예측을 생성하는 올바른 구현으로 교체해줘.
이 팁이 도움이 됐나요?