近年、製造業でもデータ活用が進み、
- 品質予測
- 性能予測
- 不良要因分析
- 最適条件探索
などに機械学習が利用されるようになっています。
その中でも特に人気なのが XGBoost（Extreme Gradient Boosting） です。
品質予測や性能予測を行う際、多くの企業で活用されているのがXGBoostです。
少ない工数で高精度な予測モデルを構築できるため、製造業のデータ分析でも広く利用されています。
本記事では、XGBoostの仕組みや特徴を初心者向けに解説します。
XGBoostとは？
XGBoostは、決定木を組み合わせて予測精度を向上させる機械学習アルゴリズム
です。
単一の決定木は仕組みが分かりやすい反面、予測精度に限界があります。XGBoostは複数の決定木が互いの誤差を補い合うことで、予測精度を向上させています。
例えば、
| 温度 | 圧力 | 流量 | 製品強度 |
|---|---|---|---|
| 50 | 100 | 10 | 200 |
| 60 | 120 | 12 | 250 |
のようなデータから、「温度・圧力・流量から製品強度を予測するモデル」を作ることができます。
XGBoostでできること
XGBoostは、入力データと結果の関係を学習することで、未知のデータに対する予測を行うことができます。
製造業では次のような用途で活用されています。
品質予測
工程条件から製品品質を予測する
例
- 温度
- 圧力
- 流量
↓
- 製品強度
不良判定
製品が合格か不合格かを予測する
例
- 材料情報
- 加工条件
- 設備情報
↓
- 合格
- 不合格
性能予測
設計パラメータから性能を予測する
例
- セル温度
- 流量
- 圧力
↓
- 発電量
- 圧力損失
- 熱効率
要因分析
予測結果に影響を与えている要因を分析する
例
- 温度が重要か
- 圧力が重要か
- 流量が重要か
決定木とは？
XGBoostを理解するには、まず決定木を知る必要があります。
決定木は、
温度 > 60℃ ?
├ Yes → 強度高い
└ No
├ 圧力 > 100kPa ?
└ ...のように条件分岐を繰り返して予測するモデルです。
直感的で分かりやすい反面、
- 精度が不足する
- 過学習しやすい
という欠点があります。
XGBoostは「木のチームプレー」
通常の決定木は1本だけで予測します。
一方、XGBoostは複数の木を組み合わせます。
イメージ
木①
予測値 = 100
↓
実際値 = 120
↓
誤差 = 20
木②は誤差20を補正
予測値 = +15
木③は残り誤差5を補正
予測値 = +4
最終予測
100 + 15 + 4 = 119
このように、
前の木の失敗を次の木が修正する
ことで精度を高めています。
なぜ精度が高いのか？
XGBoostが強い理由は、
① 誤差を順番に修正する
1本目で間違えた部分を
2本目
3本目
が補正していきます。
② 過学習を抑える仕組みがある
木を複雑にしすぎると、
学習データだけに合ったモデルになります。
XGBoostでは
- 木の深さ制限
- 正則化
- 学習率
などにより過学習を防ぎます。
③ 欠損値に強い
製造現場では
- センサ欠測
- 計測漏れ
が発生します。
XGBoostは欠損値があっても比較的扱いやすい特徴があります。
製造業での活用例
品質予測
入力
- 温度
- 圧力
- 流量
出力
- 製品強度
不良発生予測
入力
- 工程条件
- 材料情報
出力
- 合格/不合格
性能予測
入力
- 設計パラメータ
出力
- 圧力損失
- 発電量
- 熱効率
CAEや実験結果の近似モデルとしても利用できます。
まとめ
XGBoostは、
- 決定木を組み合わせる
- 誤差を順番に修正する
- 高精度な予測ができる
機械学習アルゴリズムです。
製造業では、
- 品質予測
- 性能予測
- 要因分析
などで広く活用されています。