MetaCost

کنترل کیفیت و کاهش هزینه های تولید، به پیش بینی 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 پس پردازش برای تبدیل مدل های یادگیری ماشین به مدل های حساس به هزینه است که با در نظر گرفتن ماتریس هزینه خطاها، تصمیم گیری مدل را بهینه می کند. هدف اصلی، کاهش خطاهای منفی کاذب 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. داده ها از دیتاست «Predicting Manufacturing Defects» برگرفته از پلتفرم Kaggle، شامل اطلاعات مربوط به 3240 روز تولید صنعتی جمع آوری شدند. نتایج نشان داد که الگوریتم جنگل تصادفی با دستیابی به صحت برابر 96.9% و بازخوانی برابر 98.9 %، بهترین عملکرد را در میان مدل ها داشت. به ویژه توانایی بالای این مدل در شناسایی صحیح روزهای پرنقص، آن را به گزینه مناسبی برای کاربردهای واقعی در صنعت تبدیل کرد. دیگر مدل ها نیز عملکرد پذیرفتنی داشتند؛ اما در مقایسه با Random Forest، در کاهش نرخ منفی کاذب ضعیف تر ظاهر شدند. این نتایج، کارایی رویکردهای حساس به هزینه را در بهبود پیش بینی نقص تولید، تأیید می کند.