45분
Random Forest / XGBoost 고장 분류
Day 3: 고장 분류 모델
Random Forest / XGBoost 고장 분류
예지보전 — 설비 고장 예측 시스템 > Day 3: 고장 분류 모델
학습 목표
Random Forest와 XGBoost로 고장 분류 모델을 구축할 수 있다 센서 피처를 입력으로 설비 상태를 분류할 수 있다 두 모델의 성능을 비교할 수 있다
ML 기반 고장 분류
센서 피처 → 설비 상태 분류 (정상 / 경고 / 고장)
분류 전략
[RUL 기반 라벨링]
RUL > 100 → 정상 (label=0)
30 < RUL <= 100 → 경고 (label=1)
RUL <= 30 → 고장 임박 (label=2)아래 코드를 fault_classification_ml.py로 저장하고 실행하세요.
에디터 로딩 중...
힌트 보기
- • 엔진 단위로 train/test를 나눠야 데이터 누수를 방지한다
- • 같은 엔진의 데이터가 train과 test에 섞이면 성능이 과대평가된다
- • XGBoost는 일반적으로 Random Forest보다 약간 더 좋은 성능을 보인다
- • 고장 임박(label=2) 클래스의 Recall이 가장 중요하다
AI로 학습하기 — 꿀팁
🤖RF/XGBoost 고장 분류 파이프라인AI 학습 팁
AI에게 Random Forest와 XGBoost 고장 분류 모델을 GridSearchCV로 튜닝하고 결과를 비교하는 전체 파이프라인 코드를 생성해달라고 요청하세요.
제조 센서 피처로 설비 상태(정상/경고/위험)를 분류하는 Random Forest와 XGBoost 모델을 구현해줘. sklearn Pipeline으로 전처리 포함, StratifiedKFold GridSearchCV 하이퍼파라미터 튜닝, confusion matrix·F1·Precision·Recall 비교 리포트 자동 생성 코드 포함.
이 팁이 도움이 됐나요?