משימת ניתוח נתונים · Logistic Regression

האם לשלוח ציוד לבדיקה?

אתם רב״ט מומחה נתונים במחלקה הטכנית. בסוף כל משמרת מגיעה טבלה של ציוד: גנרטורים, משאבות, רכבים, מגדלי תאורה ומכשירי קשר. המפקד רוצה החלטה מהירה: מה חייב בדיקה עכשיו, ומה יכול להמשיך לעבוד.

סודי-לימודי · לא נתונים אמיתיים

המטרה שלכם אינה להחליף אדם, אלא לבנות מודל שמסייע לקבל החלטות בזהירות: לזהות גורמי סיכון, לבדוק את איכות המודל, להבין טעויות, ולהגיש המלצה קצרה וברורה לגנרל ו׳.

📜 פקודת המשימה

מאת: גנרל ו׳, מפקד מערך הציוד והתחזוקה

“אני לא רוצה רשימת מספרים. אני רוצה להבין: אילו גורמים באמת מסמנים סיכון, כמה המודל אמין, איזו טעות מסוכנת יותר, ומה אתם ממליצים לעשות מחר בבוקר.”

המשימה שלכם: לבנות ב-Orange מודל Logistic Regression שמנבא האם יחידת ציוד צריכה בדיקה.

משתנה המטרה:

needs_maintenance = yes / no

⬇️ הורדת CSV

🧾 מה יש בקובץ?

כל שורה היא יחידת ציוד אחת בסוף משמרת. הנתונים מלאכותיים לצורכי לימוד, אבל נבנו כך שיהיו בהם קשרים אמיתיים, רעש, טעויות, מקרים גבוליים וקשרים בין משתנים.

Column	פירוש	איך לחשוב על זה
`equipment_id`	מזהה ציוד	לא אמור לנבא. לשים כ-Meta.
`equipment_type`	סוג הציוד	גנרטור, רכב, משאבה, מגדל תאורה, קשר.
`mission_type`	סוג המשימה	אימון, סיור, לוגיסטיקה, תמיכת בסיס, אספקה דחופה.
`hours_since_last_service`	שעות מאז הטיפול האחרון	ככל שעבר יותר זמן, ייתכן שהסיכון עולה.
`equipment_age_months`	גיל הציוד בחודשים	ציוד ישן עשוי להיות רגיש יותר.
`engine_temperature_c`	טמפרטורת מנוע	ערך גבוה יכול להיות סימן אזהרה.
`vibration_level_mm_s`	רמת רעידות	רעידות חריגות עשויות להעיד על בעיה.
`warning_count`	מספר אזהרות במערכת	כמה התראות הופיעו במשמרת.
`dust_level`	רמת אבק	סביבה מאובקת עשויה להכביד על ציוד.
`operator_complaint`	האם המפעיל התלונן	כן/לא. לעיתים האדם בשטח רואה משהו שהחיישן לא מסביר לבד.
`previous_minor_failures`	תקלות קטנות קודמות	היסטוריה של בעיות קלות.
`cooling_fan_load_pct`	עומס מאוורר קירור	אחוז עבודה של המאוורר.
`noise_db`	רעש בדציבלים	מדד נוסף להתנהגות מכנית של הציוד.
`battery_voltage`	מתח סוללה	מתח נמוך עשוי להופיע במקרים בעייתיים.
`night_shift`	האם נבדק במשמרת לילה	משתנה הקשרי, לא בהכרח גורם מרכזי.
`needs_maintenance`	משתנה מטרה	האם לשלוח לבדיקה: yes/no.

🧭 תרשים עבודה ב-Orange

File→ Data Table→ Feature Statistics→ Scatter Plot / Box Plot→ Correlations→ Select Columns→ Logistic Regression→ Nomogram→ Test & Score→ Confusion Matrix→ ROC Analysis→ Rank

הגדרה חשובה ב-Select Columns: הגדירו את needs_maintenance כ-Target, ואת equipment_id כ-Meta. שאר המשתנים הם Features.

שלב 1 — פתיחת הנתונים והתרשמות ראשונית

1כמה שורות וכמה עמודות יש בקובץ?

2מה בערך היחס בין yes לבין no במשתנה המטרה?

3האם הנתונים מאוזנים? אם לא, למה זה חשוב במודל סיווג?

שלב 2 — סטטיסטיקות וויזואליזציה

השתמשו ב-Feature Statistics, Box Plot ו-Scatter Plot. נסו לזהות אילו משתנים נראים שונים בין ציוד שנשלח לבדיקה לבין ציוד שלא נשלח.

4אילו 3 משתנים נראים הכי קשורים לצורך בבדיקה?

5בחרו גרף אחד שעזר לכם. מה ראיתם בו?

6האם יש משתנה שנראה מפתיע או חלש יותר ממה שציפיתם?

שלב 3 — קשרים בין משתנים

פתחו Correlations. המטרה כאן אינה רק למצוא קשר עם המטרה, אלא גם לבדוק אם יש Features שמספרים כמעט אותו סיפור.

7מצאו זוג אחד של משתנים שיש ביניהם קשר חזק. כתבו את הזוג ואת כיוון הקשר.

8למה קשר חזק בין שני Features יכול להקשות על פירוש מקדמי הרגרסיה?

שלב 4 — Logistic Regression

בנו מודל Logistic Regression. המודל לא מחזיר רק yes/no, אלא גם הסתברות משוערת לכך שהציוד צריך בדיקה.

9מהם המשתנים שהמקדמים שלהם נראים הכי חשובים? כתבו בזהירות: סימן המקדמים לא תמיד מספר את כל הסיפור.

10כתבו את רעיון המודל במילים: מה מעלה את ההסתברות לבדיקה?

11אם מצאתם מקדם שנראה מוזר ביחס לגרפים, נסו להסביר מה יכול לגרום לזה.

שלב 5 — Nomogram

חברו את Logistic Regression אל Nomogram. הנומוגרמה הופכת את המודל למפה ויזואלית: כל ערך מקבל נקודות, ובסוף מתקבלת הסתברות.

12איזה משתנה מקבל בנומוגרמה את ההשפעה החזקה ביותר?

13בחרו מקרה אחד “מסוכן”. לפי הנומוגרמה, למה הוא מסוכן?

אזהרת פרשנות נומוגרמה יפה מאוד להצגה, אבל אם יש קשר חזק בין Features, לא תמיד נכון לומר שכל משתנה “פועל לבד”. השתמשו בה ככלי הסבר, לא כאמת מוחלטת.

שלב 6 — Test & Score, Confusion Matrix, ROC

AUC
בודק עד כמה המודל מדרג נכון מקרים מסוכנים מול לא מסוכנים.

Accuracy
כמה החלטות נכונות מתוך כולן. עלול להטעות כשיש חוסר איזון.

Confusion Matrix
מראה איזה סוג טעויות המודל עושה.

14כתבו את ה-AUC ואת ה-Accuracy שקיבלתם.

15מלאו את מטריצת הבלבול שקיבלתם: כמה True Positive, False Positive, True Negative, False Negative?

16מה מסוכן יותר כאן: לשלוח ציוד תקין לבדיקה, או לא לשלוח ציוד שצריך בדיקה? הסבירו.

17אם הבטיחות חשובה יותר מחיסכון בזמן, האם כדאי לשנות את סף ההחלטה? לאיזה כיוון?

⭐ בונוס — Rank

המודול Rank נותן דרך נוספת לבדוק אילו Features נראים חשובים לסיווג. זה אינו תחליף למודל, אלא כלי עזר טוב לחקירה.

18פתחו Rank. מהם 5 המשתנים המובילים לפי המדד שבחרתם?

19האם התוצאה ב-Rank דומה למה שראיתם בגרפים, בנומוגרמה וברגרסיה?

🪖 הדוח הסופי לגנרל ו׳

כעת כתבו מסמך קצר כאילו הוא נשלח למפקד. המטרה אינה “לנצח במודל”, אלא להסביר בצורה אחראית מה למדתם מהנתונים.

1. משוואה / תיאור המודל

אפשר לכתוב משוואה כללית או תיאור מילולי:

2. מה הכי קריטי?

3. שלוש המלצות למפקד

4. מגבלה אחת חשובה של המודל

🎁 סיום המשימה

סיימתם את המשימה? מעולה. חזרו לעמוד הראשי, סמנו את המשימה כהושלמה, וקבלו את תג האנליסטים.

⬅️ חזרה לשבוע התרגול 🎖️ קבלת מתנה