پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,724 |
| تعداد مقالات | 14,104 |
| تعداد مشاهده مقاله | 34,294,484 |
| تعداد دریافت فایل اصل مقاله | 13,741,311 |
یادگیری ماشین با حساسیت هزینه برای پیش‌بینی نقص‌های تولید: رویکردی نوین مبتنی بر MetaCost | ||
| پژوهش در مدیریت تولید و عملیات | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 اردیبهشت 1404 | ||
| نوع مقاله: مقاله پژوهشی- فارسی | ||
| شناسه دیجیتال (DOI): 10.22108/pom.2025.144489.1610 | ||
| نویسندگان | ||
| احمد جعفرنژاد* ؛ آرمان رضاسلطانی؛ امیرمحمد خانی | ||
| گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| کنترل کیفیت و کاهش هزینه‌های تولید به پیش‌بینی دقیق عیوب در فرآیندهای صنعتی وابسته است. در این پژوهش، رویکرد یادگیری ماشین حساس به هزینه با استفاده از الگوریتم MetaCost بررسی شده است. MetaCost یک تکنیک پس‌پردازش برای تبدیل مدل‌های یادگیری ماشین به مدل‌های حساس به هزینه است که با در نظر گرفتن ماتریس هزینه خطاها، تصمیم‌گیری مدل را بهینه می‌سازد. هدف اصلی، کاهش خطاهای منفی کاذب (False Negative) در شناسایی روزهای پرنقص تولید است. برای این منظور، از چندین الگوریتم شامل Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost، SVM و رگرسیون لجستیک استفاده شد. داده‌ها از دیتاست “Predicting Manufacturing Defects” برگرفته از پلتفرم Kaggle شامل اطلاعات مربوط به 3240 روز تولید صنعتی جمع‌آوری شدند. نتایج نشان داد که الگوریتم جنگل تصادفی (Random Forest) با دستیابی به صحت (Accuracy) برابر 96.9% و بازخوانی (Recall) برابر 98.9%، بهترین عملکرد را در میان مدل‌ها داشت. به‌ویژه، توانایی بالای این مدل در شناسایی صحیح روزهای پرنقص، آن را به گزینه‌ای مناسب برای کاربردهای واقعی در صنعت تبدیل کرد. سایر مدل‌ها نیز عملکرد قابل قبولی داشتند اما در مقایسه با Random Forest، در کاهش نرخ منفی کاذب ضعیف‌تر ظاهر شدند. این نتایج، کارایی رویکردهای حساس به هزینه را در بهبود پیش‌بینی نقص تولید تأیید می‌کند. | ||
| کلیدواژه‌ها | ||
| Machine learning؛ cost sensitivity؛ MetaCost؛ defect prediction؛ industrial production | ||
|
آمار تعداد مشاهده مقاله: 37 |
||