Predicción de fallos de máquinas

Resumen del proyecto

Comparación de modelos para clasificar el estado de máquinas.

Un estudio de clasificación por ensamble sobre datos de fallos de máquinas con fuerte desequilibrio de clases. Separa entrenamiento, selección de umbral y evaluación final, y presenta compromisos de detección de fallos más allá de la exactitud.

• Python
• Aprendizaje automático
• Aprendizaje por conjuntos
• Evaluación

Dentro de esta creación

• Preparé 20,000 registros con 678 fallos y 2,579 celdas ausentes mediante preprocesamiento ajustado al entrenamiento.
• Combiné estimadores de árbol de decisión, bosque aleatorio, gradient boosting, AdaBoost, K vecinos más cercanos y regresión logística.
• Separé 12,000 registros de entrenamiento, 4,000 de validación de umbral y 4,000 de prueba con una semilla aleatoria fija.
• Seleccioné un umbral de decisión de 0.455 mediante F1 de validación entre 181 candidatos.
• Informé precisión reservada de 0.5932, exhaustividad de 0.7721 y F1 de 0.6709, detectando 105 de 136 fallos de prueba con 72 falsos positivos.
• Añadí 17 pruebas y documenté el límite de evaluación no temporal sobre un solo conjunto de datos; la validación en otras fábricas y la calibración siguen sin establecerse.

Código fuente y enlaces