Core Concepts
説明可能な手法を活用することで、製造プロセスの品質予測モデルの性能を向上させることができる。
Abstract
本研究では、ミリング加工プロセスの品質予測モデルの性能向上に向けて、説明可能な機械学習手法を活用する手法を提案している。
まず、機械学習モデルを初期的に学習する。次に、説明可能な手法を用いて重要でない特徴量を特定し、それらを除去してモデルを再学習する。この手順により、モデルの性能が向上し、製造コストの削減や、モデルの理解性向上につながる。
具体的には、決定木回帰、勾配ブースティング回帰、ランダムフォレスト回帰の3つのモデルを検討した。特徴量の重要度を示す指標として、特徴量の置換法と、シャープリー値を用いた。
実験の結果、特徴量の重要度に基づいて不要な特徴量を除去することで、モデルの予測精度が向上することが示された。例えば、最も重要な20%の特徴量のみを使用することで、平均絶対パーセント誤差(MAPE)が4.58%から4.4%に改善された。
このように、説明可能な手法を活用することで、製造プロセスの品質予測モデルの性能を向上させ、製造コストの削減や、モデルの理解性向上につなげることができる。
Stats
表面粗さ指標Rdqの予測精度は、勾配ブースティング回帰モデルでMAPE 4.58%、ランダムフォレストモデルでMAPE 4.88%と5%以下を達成した。
Quotes
説明可能な手法を活用することで、複雑な機械学習モデルの内部メカニズムを解明し、モデルの性能向上につなげることができる。
特徴量の重要度に基づいて不要な特徴量を除去することで、モデルの複雑性を低減し、解釈可能性を高めることができる。