2025 내일배움캠프 QAQC_2기 본캠프 61일차

안녕하세요! 오늘은 본캠프 61일차입니다!

정확도(Accuracy)

• 0.90 → 전체 데이터 중 약 90%를 올바르게 예측
• 불량/정상 모두 균형 있게 잘 맞추고 있음

ROC-AUC Score

• 0.9617 → 클래스 불균형과 상관없이 분류 경계 성능 평가
• 1에 가까울수록 완벽, 0.96은 매우 우수한 수준

클래스 0 (정상)

• Precision: 0.93 → 정상이라고 예측한 것 중 93%가 실제 정상
• Recall: 0.83 → 실제 정상 중 83%를 올바르게 예측
• F1-score: 0.88 → 정밀도와 재현율 모두 균형 잡힘

클래스 1 (불량)

• Precision: 0.88 → 불량이라고 예측한 것 중 88%가 실제 불량
• Recall: 0.95 → 실제 불량 중 95%를 올바르게 예측
• F1-score: 0.91 → 불량 탐지에 특히 강점
• 불량(클래스 1) 탐지 민감도(Recall) 가 높아 불량을 놓치지 않는 특성
• 다만 정상(클래스 0) 일부를 불량으로 오탐(Recall 낮음) → 불량 판정 기준이 다소 보수적
• 불량 판정에서 Precision도 높아 불필요한 불량 경보(오탐)도 적음
• 불량 탐지에 강점 → 실제 공정에서 불량 조기 차단 용도로 활용 가능
• 정상 제품 일부를 불량으로 오탐 → 검사 후 2차 확인 공정 필요할 수 있음
• Feature Importance 분석 시:
  • 중심거리, 명도수준, 신호극성, 결함유형 등 주요 변수로 불량 예측 가능성 높음
  • 공정별로 모델을 따로 학습 시 더 정밀하게 예측할 여지 있음

1. 4679 (왼쪽 위: 0 vs 0)

• 실제 정상(0) 데이터를 정상(0) 으로 예측한 건수
• 즉, 정상 맞춤(TN, True Negative)

2. 933 (오른쪽 위: 0 vs 1)

• 실제 정상(0) 데이터를 불량(1) 으로 잘못 예측한 건수
• 즉, 정상인데 불량이라고 예측한 것(FP, False Positive)

3. 346 (왼쪽 아래: 1 vs 0)

• 실제 불량(1) 데이터를 정상(0) 으로 잘못 예측한 건수
• 즉, 불량인데 정상이라고 예측한 것(FN, False Negative)

4. 6824 (오른쪽 아래: 1 vs 1)

• 실제 불량(1) 데이터를 불량(1) 으로 맞춘 건수
• 즉, 불량 맞춤(TP, True Positive)

하이퍼 파라미터 GridSearchCV 학습

ROC Curve가 0.97 이상이면, 하이퍼 파라미터 튜닝을 매우 잘한 것

 

 

오늘은 랜덤포레스트 돌려보고 튜터님께서 말한 결함유형21을 위주로 분석해봤습니다!

데이터가 어려워용...ㅜㅜ

 

오늘도 수고하셨습니다!!