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