ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ, ЛІНІЙНОЇ ТА БАЙЄСІВСЬКОЇ МОДЕЛЕЙ ЛОГІСТИЧНОЇ РЕГРЕСІЇ У ВИЯВЛЕННІ ТЕХНІЧНИХ ВІДМОВ НА ЛІНІЯХ ВИРОБНИЦТВА

Анотація

У  роботі  розглянуто  використання  логістичної  регресії  у  задачах  аналізу  відмов  на
виробничих  лініях  збірки.  Компанія  Bosch  здійснює  моніторинг  технологічних  процесів
збірки на своїх виробництвах. Однак, процеси моніторингу та аналізу отриманих даних є
досить  складними.  Тому  компанія  запропонувала  такий  аналіз  як  змагання  “Bosch
Production  Line  Performance”  на  спеціалізованій  платформі  Kaggle,  яка  організовує
змагання  серед  фахівців  з  аналізу  даних.  У  цьому  змаганні  було  поставлене  завдання
спрогнозувати відмови на лініях збірки компанії Bosch, використовуючи анонімізовані дані
різноманітних  вимірювань  та  тестів.  Особливістю  поставленої  задачі  була  висока
незбалансованість  класів.  У  масиві  запропонованих  до  аналізу  даних  були    різні
вимірювання складових частин  у технологічному процесі їх проходження на лініях збірки.  
Ціль  полягає  у  прогнозуванні  того,  яка  складова  частина  не  пройде  контроль  якості.
Параметричні  методи  лінійної  регресії  та  непараметричні  методи  на  основі  машинного
навчання  дають  можливість  провести  взаємодоповнювальний  аналіз  регресійної  задачі
прогнозування технічних відмов на виробничих лініях збірки.  
У роботі розглянуто моделі машинного навчання, лінійні моделі та байєсівські моделі.
У підході на основі машинного навчання розглянуто алгоритм  XGBoost на основі дерев
прийняття  рішень,  який  забезпечує  високу  точність  прогнозування.  Використання
узагальненої лінійної моделі для логістичної регресії дає можливість проаналізувати вплив
різних  факторів  на  технічні  відмови  на  лініях  збірки.  Байєсівський  підхід  до  логістичної
регресії дає можливість отримати статистичні розподіли для параметрів моделі, що може
бути корисним для ймовірнісного аналізу, зокрема, в задачах оцінки ризиків. Застосовуючи
дворівневу  стекінгову  модель,  можна  отримати  точніші  результати.  Використання
байєсівської  моделі  на  другому  рівні  стекінгової  моделі  дає  можливість  розрахувати
ймовірнісні  розподіли  для  прогнозування,  а  також  врахувати    відмінності  в  результатах
моделей машинного навчання, зумовлених різними параметрами моделей.

Ключові слова: логістична регресія, алгоритм XGBoost, байєсівська регресія, виявлення
технічних відмов.