构建半导体制造产量预测维护模型
1. 业务问题概述
假设你作为半导体制造商的数据科学家，雇主希望你完成以下两项任务：
- 构建一个预测半导体制造过程中产量失败的模型。
- 通过分析找出导致产量失败的因素。
半导体制造过程复杂，从原材料到最终集成电路需多个阶段，众多因素可能导致产量失败。识别关键因素有助于工艺工程师提高产量、降低错误率和生产成本，从而提升生产率。
2. 数据科学流程步骤
数据科学过程通常包含以下五个步骤：
1. 定义业务问题
2. 数据获取与准备
3. 模型开发
4. 模型部署
5. 模型性能监控
3. 数据获取与准备
3.1 数据集
本次使用加州大学欧文分校机器学习数据库中的SECOM数据集，该数据集由Michael McCann和Adrian Johnston提供，来自半导体制造行业。
- 数据集包含1567个样本，每个样本有591个特征。
- 1567个样本中，104个代表产量失败。
- 特征或列表示制造过程中590个点的传感器读数，还包括时间戳和每个样本的产量结果（通过或失败）。
- 数据集链接： SECOM数据集
3.2 数据加载
Azure Machine Learning支持从多个来源加载数据，如本地
