30분

평가 지표: 혼동행렬과 False Negative 비용

Day 3: 고장 분류 모델

학습 목표

제조 PdM에서 False Negative의 위험성을 이해한다 비용 민감 평가(Cost-Sensitive Evaluation)를 수행할 수 있다 Precision, Recall, F1의 관계를 분류 맥락에서 해석할 수 있다

예지보전에서 평가의 핵심

[혼동행렬 의미 - PdM 관점]

                    예측
                정상    고장
실제  정상    TN ✅    FP ⚠️
      고장    FN ❌    TP ✅

FP (거짓 알람): 정상인데 고장이라 예측
  → 비용: 불필요한 정비 ($1,000)

FN (놓친 고장): 고장인데 정상이라 예측
  → 비용: 설비 파손 + 생산 중단 ($100,000+)

★ FN의 비용이 FP의 100배 이상
★ Recall(재현율)이 가장 중요한 지표

아래 코드를 evaluation.py로 저장하고 실행하세요.

에디터 로딩 중...

힌트 보기

• PdM에서는 Accuracy보다 Recall(특히 고장 클래스)이 훨씬 중요하다
• 임계값을 낮추면 Recall이 올라가지만 FP(거짓 알람)도 늘어난다
• 비용 매트릭스로 실제 비즈니스 비용을 반영한 평가가 가능하다
• FN(놓친 고장) 비용이 FP(거짓 알람) 비용의 100배라면 Recall을 우선한다

AI로 학습하기 — 꿀팁

🤖비용 민감 평가 코드 생성AI 학습 팁

AI에게 제조 PdM에서 False Negative 비용을 반영한 비용 민감 혼동행렬과 Threshold 최적화 코드를 생성해달라고 요청하세요.

제조 설비 고장 분류 모델의 비용 민감 평가(Cost-Sensitive Evaluation) 코드를 작성해줘. False Negative 비용(설비 파손)을 FP 비용(불필요 점검)의 10배로 설정, 다양한 분류 임계값(0.1~0.9)별 총 비용 계산, 최적 임계값 자동 선택, 비용 곡선 시각화 포함.

이 팁이 도움이 됐나요?

이전 다음

이 콘텐츠에 오류가 있나요? 신고하기