TIL_251107

Today I learned

 

 

1. QAQC 문제풀이

1) Kmeans

from sklearn.cluster import KMeans import pandas as pd import numpy as np # 데이터 df = pd.DataFrame({ '키': [160, 165, 170, 178, 183, 188, 152, 156], '몸무게': [50, 55, 60, 68, 76, 82, 46, 49] }) X = df[['키','몸무게']].values model = KMeans(n_clusters = 2, random_state = 42, n_init = 10) model.fit(X) labels = model.predict(X) print(labels)

[1 1 1 0 0 0 1 1]

 

2) PCA

from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler import pandas as pd import numpy as np df = pd.DataFrame({ 'x': [1, 2, 3, 4], 'y': [2, 4, 6, 8] }) # standardscaler scaler = StandardScaler() scaler.fit(df) #PCA 접합 pca = PCA(n_components=2) pca.fit(df) explaned_variance_ratio= np.round(pca.explained_variance_ratio_, 1).tolist() print(explaned_variance_ratio)

[1.0, 0.0]

 

3) DBSCAN

# DBSCAN from sklearn.cluster import DBSCAN import numpy as np # 데이터 (두 개의 조밀 군집 + 1개 노이즈) X = np.array([ [0.00, 0.00], [0.00, 0.10], [0.10, 0.00], [5.00, 5.00], [5.10, 5.00], [5.00, 5.10], [10.0, 10.0] ]) db = DBSCAN(eps = 0.2, min_samples = 2) labels = db.fit_predict(X) print(labels)

[ 0 0 0 1 1 1 -1]

2. 심화프로젝트

✅ Today I Learned (Steel Plate Fault Project)

• 공정 데이터 / 품질 지표 데이터의 기초 통계 및 분포를 먼저 확인함.
• 대부분 변수에서 극단적인 이상치가 존재했으며, 특히 Pixel_Areas, X_Perimeter, Y_Perimeter에서 영향이 큼.
• 정규성 검정 결과 모든 변수 p-value > 0.05 → 정규분포 X, 따라서 평균 기반이 아닌 IQR 기반 이상치 탐지가 적합함.
• 극단값의 영향 완화를 위해 Winsorizing 적용 → 데이터 손실 없이 분포 왜곡 줄임.
• 전체 상관계수 분석 결과, 일부 변수들 사이에서 높은 상관관계가 존재 (중복 정보 가능성 시사).
• 결함 유형별로 공정 변수 영향도 분석:
  • 일부 결함은 특정 변수와의 패턴/분포 차이가 명확히 나타남.
  • 반면 어떤 결함은 변수들과 유의한 관계가 거의 없음.
• 결함 유형별 위치 분포를 밀도 기반으로 시각화 → 결함이 공정 상 특정 영역에 집중되는지 확인하는 데 도움됨.