| project name | AI Software Upgrade Project |
|---|---|
| project period | 2023.007.19 - 2023.07.31 |
| member | 김우영, 김보미, 이강우, 최재용 |
| project keywords | 딥러닝, numpy, 레거시 코드 리펙터링, UIUX 개선, AI 성능 향상 |
| name | Role |
|---|---|
| 김우영 | 다중분류 모델링, 분류&회귀 성능 개선, ppt 제작 |
| 김보미 | 회귀 모델링, 다중분류 성능 개선, git 관리 |
| 이강우 | 다중분류 모델링, 프론트엔드 개발 |
| 최재용 | 분류 모델링, 백엔드 개발 |
사전에 구축된 AI model은 성능이 부족하여 정확한 예측을 제공하지 못하고, 인터페이스를 가지고 있지 않습니다.
AI model의 성능 개선과 사용자 친화적인 웹 인터페이스 구축을 통해, 정확한 예측을 제공하는 높은 성능의 AI 서비스를 제공하며, 사욪자들이 쉽게 접근하고 활용할 수 있도록 하여 AI 기술의 보다 넓은 영향력을 발휘합니다.
전복은 전 세계의 차가운 연안 해역에서 발견되며 멸종 위기에 처해있습니다. 전복의 나이는 가격과 비례적인 관계가 있어, 전복의 가격을 측정하는 데 중요한 역할을 합니다. 그러나 전복의 나이를 결정하는 것은 매우 복잡한 작업입니다. 우리의 서비스는 기계 학습 모델을 사용하여 전복의 나이를 예측함으로써 이러한 수동적인 프로세스를 효율적으로 가속화하고자 합니다. 이를 통해 보다 정확하고 신속한 전복 연령 예측 서비스를 제공할 수 있습니다.
중성자 별 중에서 Pulsar별 혹은 Pulsar가 아닌 별을 분류하는 모델을 만들고 펄서 별이 확률을 사용자들에게 제공하는 서비스입니다. 중성자 별들의 특징을 이용해 Pulsar별 혹은 Not Pulsar별을 분류해주며, 그 분류에 따른 확률을 수치적으로 표현해줍니다.
스테인레스 강판의 표면 결함인 6가지의 가능한 결함과 기타로 정확하게 분류해 주는 모델을 고객에게 제공할 수 있도록 하는 서비스입니다.
데이터 세트에서 주어진 각각의 결함들은 제작 과정에서 해결 가능한 문제와 추가적으로 발생할 수 있는 불량을 사전에 해결할 수 있는 방안으로 제시할 수 있고, 불량에 직접적으로 연관된 결함을 예측하여 loss를 억제할 수 있습니다.
- Regression : https://www.kaggle.com/datasets/rodolfomendes/abalone-dataset
- Binary Classification : https://www.kaggle.com/datasets/brsdincer/pulsar-classification-for-class-prediction
- Multi Classification : https://www.kaggle.com/datasets/uciml/faulty-steel-plates
| Model | MSE | Accuracy | r2_score |
|---|---|---|---|
| (BEST) XGBoost | 3.92 | 0.86 | 0.54 |
| RNN | 4.34 | 0.85 | 0.56 |
| Linear Regression | 4.83 | 0.83 | 0.51 |
| Ridge | 4.74 | 0.83 | 0.51 |
| Lasso | 4.81 | 0.83 | 0.51 |
| LightGBM | 4.74 | 0.84 | 0.52 |
Best Model : XGBOOST
| Metric | precision | recall | f1-score | support |
|---|---|---|---|---|
| Class 0 | 0.98 | 0.99 | 0.99 | 3256 |
| Class 1 | 0.91 | 0.82 | 0.86 | 324 |
| Accuracy | 0.98 | 3580 | ||
| Macro Avg | 0.95 | 0.91 | 0.93 | 3580 |
| Weighted Avg | 0.98 | 0.98 | 0.98 | 3580 |
BEST Model : Random Forest
| Class | Precision | Recall | F1-Score | support |
|---|---|---|---|---|
| 0 | 0.89 | 0.85 | 0.87 | 124 |
| 1 | 0.99 | 1.00 | 1.00 | 144 |
| 2 | 0.98 | 0.98 | 0.98 | 126 |
| 3 | 0.87 | 0.81 | 0.84 | 134 |
| 4 | 0.94 | 1.00 | 0.97 | 139 |
| 5 | 0.99 | 1.00 | 1.00 | 134 |
| 6 | 0.99 | 1.00 | 0.99 | 142 |
| ------------- | ----------- | ---------- | ---------- | --- |
| Accuracy | 0.95 | 943 | ||
| Macro Avg | 0.95 | 0.95 | 0.95 | 943 |
| Weighted Avg | 0.95 | 0.95 | 0.95 | 943 |
RandomForestClassifier: class 조절 정확도 (accuracy) 95.23%