Сравнительный анализ регрессионных и классификационных методов для прогнозирования отказов оборудования: интерпретация низких метрик в условиях ограниченных данных

Аннотация

В статье проведен сравнительный анализ регрессионных и классификационных методов машинного обучения для прогнозирования отказов промышленного оборудования. Исследование основано на открытом наборе данных Predictive Maintenance Dataset, содержащем 10 000 записей с эксплуатационными параметрами. Особое внимание уделено методологически корректной интерпретации низких метрик качества регрессионных моделей (R² = 0.074) в контексте ограниченности данных и высокой сложности задачи прогнозирования непрерывного параметра износа. Проведен полный цикл анализа: разведочный анализ с выявлением дисбаланса классов (9:1), предобработка данных, построение и сравнение девяти регрессионных и восьми классификационных алгоритмов с использованием библиотек scikit-learn, pandas, numpy и matplotlib. Для классификации применена стратегия взвешивания классов (class_weight='balanced') и оптимизация гиперпараметров с помощью GridSearchCV. Результаты показали, что классификационные методы (Random Forest с оптимизированными параметрами max_depth=10, n_estimators=200) значительно превосходят регрессионные по эффективности прогнозирования отказов (F1-score = 0.75 против R² = 0.074). Анализ важности признаков подтвердил ключевую роль износа инструмента (35.1%), мощности (18.4%) и крутящего момента (15.2%). Полученные результаты подчеркивают необходимость дифференцированного подхода к выбору методов машинного обучения в зависимости от типа решаемой задачи и ограниченности доступных данных, а также указывают на направления совершенствования систем сбора данных для промышленного мониторинга.