Bosch Production Line Performance, NO.74/top 6%

Bosch Production Line Performance
e-mail : samlin266118@gmail.com
如果有問題可以直接寄信給我

---

結論 : 原始變數超過 4000 種，而我們的 Fitted model 只使用 50 個變數， 即可達到 top 6% ，因此這 50 個變數是重要變數，對於提高良率方面，可以先從這些變數下手。

注意 : 提供的 R code 由於使用到 parallel package 中的 mclapply 函數，因此只能在 linux 系統下執行。 或者你可以把 mclapply 改成 sapply，兩者主要是時間上的差異。

ps : 我分析這個問題時，比賽已過期，因此排名是我藉由提交預測結果，回推的排名

---

1. 緒論

在現今的產業上，對於產品製造，大多都傾向自動化，因此我選擇該問題進行製程分析。 製程分析與我過去處理過的資料---銷售/庫存預測非常不同，90%以上都是NA， 而在生產線上，這是合理的，我們必須找出哪個製程出錯，即重要變數。 問題是，NA過多，一般統計方法 AIC/BIC/lasso 無法處理missing value， 因此轉往使用 XGB 內建的 importance 找出重要變數。 由於我沒有相關製程經驗，也無實際接觸生產線，所以參考kernel中 Daniel FG 的 code ，並加入我的想法，主要重點在於 --- Feature Engineering 。

2. 資料介紹

Bosch Production Line Performance 是關於生產線( 製程 )的分析， 在自動化製造產品的過程中，可能由於設備老舊或人為疏失，導致不良品的產生， 但是我們不可能單純利用人工檢驗哪個環節出錯，因為整個製程中超過 4000 道程序。 因此，我們希望藉由製程分析，找出導致不良品產生的因素。

Response	0	1
	1176868	6879

rate of Response 1 = 0.0058

2.1 資料準備

Kaggle 所提供的資料，可以分為以下六種 :

data	size	n (資料筆數)	p (變數數量)	在 R 中佔的 ram
train_numeric	2.1GB	100萬筆	970個	8.5 gb
train_date	2.9GB	100萬筆	1157個	10.2 gb
train_categorical	2.7GB	100萬筆	2141個
test_numeric	2.1GB	100萬筆	969個
test_date	2.9GB	100萬筆	1157個
test_categorical	2.7GB	100萬筆	2141個

主要變數如下 :

變數名稱	意義
Response	目標值, 0 : 良品, 1 : 不良品
Id	產品代號
Lx_Sx_Fx	L : line，S : station，F : feature number

舉例來說，L3_S36_F3939，代表第 3 條生產線上，第 36 個設備中的第 3939 個特徵值， 而 numeric 中代表的是，產品在該設備中收集到的值， date 代表產品經過該設備的時間點 ， 我們並沒有使用 categorical，因此並不清楚該變數意義。

部分 train_numeric :

Id	L0_S0_F0	L0_S0_F2	L0_S0_F4	L0_S0_F6	Response
11	-0.055	-0.086	0.294	0.330	0
13	0.003	0.019	0.294	0.312	0
14	NA	NA	NA	NA	0
16	NA	NA	NA	NA	0
18	-0.016	-0.041	-0.179	-0.179	0

部分 train_date

Id	L0_S0_F0	L0_S0_F2	L0_S0_F4	L0_S0_F6
11	602.64	602.64	602.64	602.64
13	1331.66	1331.66	1331.66	1331.66
14	NA	NA	NA	NA
16	NA	NA	NA	NA
18	517.64	517.64	517.64	517.64

由於變數過多，如何找到重要變的方法，將在稍後的章節中提到。 該問題的 evaluation 是 MCC 。

3. 特徵製造

3.1 feature engineering 1 ( 特徵工程 1 )

在生產線上，可能在某一時段機器故障，導致產品出現問題，所以對 date data 進行特徵工程。

feature	解釋
first	進入該製成時間點
min	製成時間點最小值
last	離開該製成時間點
max	製成時間點最大值
class.amount	該製成時間點種類數量
na.amount	na數量，如果時間點完全記錄，那該變數代表未經過製程的數量

以上分別對 所有生產線、L0、L1、L2、L3 進行特徵工程，製造特徵變數。 ex : all_first, L0_first, L1_first, L2_first, L3_first
由於 data 過大，進行分段處理，每次讀取 100 萬筆資料，製造 feature ， 在 feature engineering 1 階段， kaggle rank 約在 50% ， 結果不夠好，因此將進行，feature engineering 2。

3.2 feature engineering 2 ( 特徵工程 2 )

在生產線上，同一時間製造多個產品，它們的表現可能有高度相關，因此進行以下特徵工程。
注意：first[is.na(first)] = 0，否則對其他的 feature 製造會產生na。

feature	解釋	code
next	下一個產品是否為同時製造的產品
prev	上一個產品是否為同時製造的產品
total	total	next+prev
same.time	是否同時製造	total>0
order.same.time	在同時製造的產品中，該產品是第幾個	(cumsum(prev)+1) * same.time
group	第幾群同時製造的產品，同時製造代表可能有相同表現
group.length	該群數量	table(group)
cost.time	該製程耗時，耗時過長或過短，可能是因為產品出問題	max-min
prev.cost.time	與上一個產品相比，製程耗時差距，差距過大，可能是因為產品出問題	cost.time-c(NA,cost.time[1:length(cost.time)-1])
next.cost.time	與下一個產品相比，製程耗時差距，差距過大，可能是因為產品出問題	cost.time-c(cost.time[2:length(cost.time)],NA)
prev.na.amount	與上一個產品相比，na數量，差距過大，可能是因為產品出問題	na.amount--c(NA,na.amount[1:length(na.amount)-1])
next.na.amount	與下一個產品相比，na數量，差距過大，可能是因為產品出問題	na.amount--c(na.amount[2:length(na.amount)],NA)
prev.target	上一個產品表現，彼此間可能相關	c(NA,target[1:(nrow(target)-1)])
next.target	下一個產品表現，彼此間可能相關	c(target[2:nrow(target)],NA)

以上變數均對 所有生產線 進行特徵工程，並沒有對 L0~L3 進行特徵工程。

3.3 變數選擇

由於原始資料變數過多，資料龐大，不易建模，而在實際製程方面， 出問題的設備只佔極少數，因此， 我們對於 train_numeric 中的所有變數，進行變數選擇。

由於每個產品經過的製程不同，某些製程可能導致不良品產生， 因此我們對於所有製程，計算 不良品 比率，並進行排序， 選擇該比例中，前 100 個變數與後 100 個變數，作為特徵變數。

前 100 代表產出不良品比率高，有助於預測不良品， 而後 100 代表產出良品比例高，有助於預測良品。 實際上，不良品佔所有產品中約 0.058， 而不良品比率最高的設備，其不良品佔所有產品中約 0.045， 設備 ID 為 L3_S32_F3850。

train_numeric :

-	res1.per	var.name
1	0.0451	L3_S32_F3850
2	0.0093	L1_S24_F1768
3	0.0093	L1_S24_F1763
.	...	...
.	...	...
968	0.0003	L1_S25_F2512

3.4 feature selection

藉由 feature engineering 1、feature engineering 2 與變數選擇， 製造約 450 個變數。我們利用這些變數進行 XGBoost 建模， 主要利用 xgb.cv 找出 bset nrounds ， 並利用 bset nrounds 在進行建模， 在模型建立後， 使用 xgb.importance 函數找出前 50 個重要變數， 選擇這 50 個變數作為 fitted model 的 feature。

amount of var = 450

		pred
		0	1
real	0	1176353	515
	1	4216	2663

MCC = 0.568

amount of var = 50

		pred
		0	1
real	0	1176304	564
	1	4360	2519

MCC = 0.545

以上發生一個我們不期望的事，預測是良品( 0 )，實際上是不良品( 1 )的比例過高( 左下角 )， 我們必須做一些處理，將左下角盡可能轉移到右上角中。 問題在於，兩者意義不同，我們不希望提供給客戶的產品不良率過高，移到右上角代表， 預測是不良品淘汰掉，但實際是良品，這樣的結果會造成，成本損失，但是跟成本相比，我們更不希望交給客戶不良品， 兩者嚴重性不同，因此需要做調整。

另外需要注意的是， xgb.cv 的 bset nrounds 並不代表最好的 nrounds， 我們藉由觀察 xgb.cv ，調整最後的 nrounds 。

nrounds	train-rmse	test-rmse
11	0.168337	0.168881
21	0.083219	0.085046
31	0.064824	0.067989
41	0.061830	0.065582
51	0.061191	0.065279****
61	0.060756	0.065227
71	0.060327	0.065229

Best iteration : 67, train-rmse:0.060464 test-rmse:0.065220

但是我們選 nround = 50 進行建模，實際在資料分析上， 目的並非單純的最小化 test-rmse ，而是在最小化且 train & test 夠靠近的情況下， 才是較好的 model。

3.5 other

該問題是有關二元分類問題，imbalance 非常嚴重， 而且 evaluation --- MCC 並沒有在 XGBoost 的 evaluation 中，因此我們進行以下處理：

1. 使用 XGBoost 內建的 rmse 逼近 MCC。
2. imbalance 處理上，先將 target 轉換為數值，則問題轉變為迴歸問題， 並使用 0.25 作為分界點，大於 0.25 是 1，小於 0.25 則是 0 。 由於 0 佔大多數，因此分界點往 0 靠近。

4. Fitted model

由於資料過大，我們分段進行 feature engineering 1、feature engineering 2 與 train_numeric 中的變數選擇，再利用 xgb.imporance 挑選出 50 個 feature ， 並使用這些 feature 進行建模預測。 由於 XGBoost 中的 evaluation 沒有 MCC ，我們使用 rmse 逼近它， 由於該問題是關於二元分類，imbalance 非常嚴重，我們將它轉換為迴歸問題， 並使用 rate = 0.25 作為分界點，藉此處理部分的 imblance 問題，

最後的 Fitted model 達到 top 6% 的 rank ， 與先前沒有進行特徵製造相比， MCC 進步了 2 倍以上 ( 0.18 -> 0.46 )， 可以說明該 特徵製造 找出了相對重要的 feature 。

50 feature

train_numeric

L3_S32_F3850**		L1_S24_F1723**		L3_S33_F3859**		L3_S33_F3855		L1_S24_F1846
L3_S33_F3865		L1_S24_F1632		L3_S33_F3857		L3_S38_F3956		L1_S24_F1498
L1_S24_F1604		L3_S41_F4014		L1_S24_F1695		L3_S38_F3952		L3_S33_F3873
L1_S24_F1844		L3_S38_F3960		L2_S26_F3036		L2_S26_F3040		L2_S26_F3047
L2_S26_F3073		L1_S24_F1672		L1_S24_F1609		L1_S24_F1685

feature of train_date

all_next**		next.cost.time**		next.traget**		L0_first**
all_prev**		prev.traget**		group.amount**		next.na.amount
all_na.amount		L3_first		total		cost.time
L2_first		L3_na.amount		prev.cost.time		group
L3_last		prev.na.amount		L3_min		L0_min
all_first		all_class.amount		L1_first		L3_max
order.same.time		L0_last

feature plot :

延伸討論

資料分析並不單純只是ML，以下幾點是後續可以進行的方向：

1. 由於找到重要變數，可以藉由這些變數去調整設備，找出問題進而修正。
2. 先篩選出不良品，觀察重要變數( 時間 )，哪個時間點特別容易出錯，是否因為人為疏失所導致不良品？
3. 修正model，type 1 error vs typr 2 error，我們不希望交給客戶的產品，不良品比率過高。
4. 利用少量data建model，看是否依然能得到不錯的結果，這有助於未來在產品上良率篩選的成本。 舉例來說，如果只需要用 100 個data建模，那收集data的成本就會大大降低，畢竟良品vs不良品還是必須先由人為判斷，之後再交給ML， 少量DATA建模將有助於減少成本，或是提供強模型/弱模型，並對應價格，對於不同問題有不同的需求。
5. 未來可以利用DL直接進行圖片分類，進行良品/不良品判斷，結合我們的模型，類似ensemble的概念，提高準確度。
6. 待續

Reference

Bosch Production Line Performance. ( 2016 )

Daniel FG. ( 2016 )