40분
회귀 모델 RUL 예측: Linear, SVR, XGBoost
Day 4: RUL 예측 (잔여수명 예측)
회귀 모델 RUL 예측: Linear, SVR, XGBoost
예지보전 — 설비 고장 예측 시스템 > Day 4: RUL 예측 (잔여수명 예측)
학습 목표
Linear Regression, SVR, XGBoost로 RUL을 예측할 수 있다 NASA CMAPSS 데이터에 회귀 모델을 적용할 수 있다 RMSE, MAE로 모델 성능을 평가할 수 있다
회귀 모델 RUL 예측
Day 1에서 만든 센서 피처를 입력으로, RUL(숫자)을 예측한다.
모델 3종 비교
| 모델 | 특징 | 장점 | 단점 |
|---|---|---|---|
| Linear Regression | 선형 관계 가정 | 빠름, 해석 쉬움 | 비선형 못 잡음 |
| SVR | 커널 트릭 | 비선형 가능 | 느림, 대규모 불가 |
| XGBoost | 트리 앙상블 | 강력, 범용 | 해석 어려움 |
아래 코드를 rul_regression.py로 저장하고 실행하세요.
에디터 로딩 중...
힌트 보기
- • RUL 클리핑(cap=125)은 CMAPSS 벤치마크의 표준 관행이다
- • SVR은 데이터가 많으면 학습이 매우 느려진다 (O(n^2~n^3))
- • XGBoost/GBM이 일반적으로 가장 좋은 성능을 보인다
- • 예측값도 [0, cap] 범위로 클리핑해야 한다
AI로 학습하기 — 꿀팁
🤖RUL 회귀 비교 파이프라인 생성AI 학습 팁
AI에게 Linear Regression·SVR·XGBoost로 RUL을 예측하고 RMSE·MAE로 자동 비교하는 NASA CMAPSS 전처리부터 평가까지의 파이프라인을 만들어달라고 요청하세요.
NASA CMAPSS FD001 데이터로 Linear Regression, SVR, XGBoost RUL 회귀 모델을 비교하는 Python 파이프라인을 작성해줘. Max RUL clipping 전처리, sklearn Pipeline 구성, RMSE·MAE·NASA Score Function 자동 계산, 모델별 예측 vs 실제 RUL 산점도 포함.
이 팁이 도움이 됐나요?