sancos/Binary_Classification_of_Machine_Failurine

⚙️ Makine Arıza Tahmini (Binary Prediction of Machine Failure)

<p align="center"> <img src="https://img.shields.io/badge/Python-3776AB?style=for-the-badge&logo=python&logoColor=white" /> <img src="https://img.shields.io/badge/XGBoost-FF6F00?style=for-the-badge&logo=xgboost&logoColor=white" /> <img src="https://img.shields.io/badge/Scikit--Learn-F7931E?style=for-the-badge&logo=scikit-learn&logoColor=white" /> <img src="https://img.shields.io/badge/Pandas-150458?style=for-the-badge&logo=pandas&logoColor=white" /> <img src="https://img.shields.io/badge/Machine%20Learning-00599C?style=for-the-badge&logo=google-cloud&logoColor=white" /> </p>

🧪 Kestirimci Bakım için Denetimli Öğrenme Projesi

📝 Proje Özeti

Bu proje, endüstriyel ekipmanlardan alınan sensör verilerini analiz ederek potansiyel makine arızalarını önceden tahmin etmek amacıyla geliştirilmiştir. Projenin ana odak noktası, Sınıf Dengesizliği (Class Imbalance) sorununu aşarak, fabrikalardaki kritik arızaları kaçırmayan (High Recall) bir model inşa etmektir.

🚀 Teknik Detaylar ve Metodoloji

🛠️ Kullanılan Teknolojiler

• —Dil: Python
• —Kütüphaneler: Pandas, NumPy, Matplotlib, Scikit-Learn
• —Model: XGBoost Classifier
• —Analiz: SHAP (Shapley Additive Explanations)

📊 Model Performansı (Optimizasyon Sonrası)

Model, başlangıçtaki sınıf dengesizliği nedeniyle arızaların çoğunu kaçırırken, scale_pos_weight stratejisi ile yeniden eğitilmiş ve aşağıdaki başarımı yakalamıştır:

Not: Arıza yakalama oranı (Recall) %37'den %80'e çıkarılarak operasyonel verimlilik maksimize edilmiştir.

🔍 Modelin Karar Mekanizması (SHAP Bulguları)

Yapılan SHAP analizleri sonucunda modelin arıza tahmininde en çok ağırlık verdiği özellikler şunlardır:

1. 1.Dönüş Hızı (RPM): Yüksek devirler arıza riskini tetikleyen en büyük faktördür.
2. 2.Takım Aşınması (Tool Wear): Süre arttıkça mekanik yorulma riski doğrusal olarak artmaktadır.
3. 3.Isı Dağılımı (HDF) & Zorlanma: Sensörlerden gelen termal ve gerilme verileri arızanın en güçlü öncülleridir.

🏗️ Kurulum ve Kullanım

1. 1.Repoyu klonlayın:

   git clone [https://github.com/madsancos/machine-failure-prediction.git](https://github.com/madsancos/machine-failure-prediction.git)

Hazırlayan

Serdar ÖNAL | İnşaat Mühendisi & Yapay Zeka Geliştiricisi | 2026

"Mühendislik disipliniyle veriyi işliyor, sahadaki arızaları dijital dünyada öngörüyorum."