LG Aimers 5기

🚀 팀 소개

팀명: L진스

팀원

김창우	👑박인애	신진영	이승우	이현주

🚀 프로젝트 소개

프로젝트명: 제품 이상 여부 판별 프로젝트

🚀 세션 기간

Phase I. 온라인 AI 교육

2024.07.01 ~ 2024.07.26

Phase II. 온라인 해커톤

2024.08.01 ~ 2024.08.30

🚀 주최 기관

• 고용노동부
• 한국경영자총협회
• 대한상공회의소
• 한경닷컴
• 엘리스코딩
• LG AI 연구원

🌟 도메인 지식

공정 유형

• 차량 디스플레이 생산
• Sub Assembly Line

공정 과정

• Dam(레진도포&반경화) → AutoClave(탈포) → Fill1(내측도포) → Fill2(UV경화)
• 합착, 완전 경화 공정에 대한 데이터셋은 주어지지 않아서 생산 과정에서 일어나는 모든 불량 유형을 예측할 수 없음

불량 유형

• 이물, 기포, Misalign, Crack, Broken, Dirty, …
• 주어진 데이터셋에 불량 유형을 명시한 라벨은 없음

🌈 데이터 특징

데이터 개수

• 학습 데이터셋: 40506 rows
• 테스트 데이터셋: 17361 rows
• 컬럼 수: 464 columns

이진 분류

• Normal
• AbNormal

불균형 데이터

• Normal: 38156, AbNormal: 2350

기타 EDA 결과

• 겉으론 수치값이지만 대부분 범주형 데이터
• 범주형 데이터 처리에 효과적인 CatBoost가 ML 중 가장 성능이 높았음
• 결측값이 많음
• 좌표 컬럼 외에 상관관계가 낮음

데이터 형식

• csv 파일

🤖 모델

Ensemble Learning Soft Voting

CatBoost

XGBoost

GradientBoost

LightGBM

RandomForest

💎 사용 기술 및 연구 내역

전처리

• 결측치 처리
• 이상치 처리
• 인코딩
• 다중공선성 제거
• 공정 별 중복 데이터 처리
• 불균형 데이터 처리
• 데이터 증강
• 정규화
• 스케일링
• PCA, UMAP

피쳐 스케일링

• 변수 중요도 분석
• 상관 관계 분석
• 파생변수 생성
• 변수 선택
• 변수 순서 조정

모델링

• 교차검증
• ML 앙상블
• 하이퍼 파라미터 조정
• Voting, Bagging, Boosting, Stacking 성능 비교
• Overfitting 해결

✨ 기술 스택

Python	판다스	사이킷런	pycaret

✨ 리더보드

• Final Rank: 56등 / 740팀 (Top 100 내 선정)
• Final Score: 0.215569

리더보드 보러가기

✨ 발표자료