Prédiction des pannes de machines

Présentation du projet

Comparer des modèles de classification de l’état des machines.

Une étude de classification en ensemble sur un jeu de défauts de machines fortement déséquilibré. Le processus sépare entraînement, choix du seuil et évaluation finale, en présentant les compromis de détection plutôt que la seule exactitude.

• Python
• Apprentissage automatique
• Apprentissage ensembliste
• Évaluation

Au cœur de cette réalisation

• Préparé 20,000 enregistrements avec 678 défauts et 2,579 cellules manquantes, par prétraitement ajusté sur l’entraînement.
• Combiné des estimateurs arbre de décision, forêt aléatoire, gradient boosting, AdaBoost, K plus proches voisins et régression logistique.
• Séparé 12,000 enregistrements d’entraînement, 4,000 de validation du seuil et 4,000 de test avec une graine fixe.
• Choisi un seuil de décision de 0.455 selon le F1 de validation parmi 181 candidats.
• Rapporté une précision réservée de 0.5932, un rappel de 0.7721 et un F1 de 0.6709, détectant 105 des 136 défauts de test avec 72 faux positifs.
• Ajouté 17 tests et documenté la limite d’une évaluation non temporelle sur un seul jeu de données ; validation dans d’autres usines et calibration restent non établies.

Code source et liens