Mieux mesurer l’incertitude dans la détection des défauts de roulements

OOndine

Une étude publiée sur arXiv propose de caractériser l’incertitude des classificateurs de défauts de roulements en la décomposant, plutôt qu’en la résumant par un score de confiance unique. La méthode évalue un ensemble combinant Random Forest, XGBoost et régression logistique, puis décrit les résultats à l’aide de 4 indicateurs distincts. Le premier mesure la preuve en faveur de la classe prédite, et le deuxième celle en faveur de son meilleur concurrent. Les deux autres indicateurs sont l’entropie prédictive et le désaccord entre les décisions des modèles. L’étude teste cette approche sur 2 jeux de données de roulements, CWRU et JNU, en laissant de côté une condition à la fois dans le protocole d’évaluation. Pour JNU, les essais portent sur des vitesses comprises entre 600 et 1 000 tours par minute. Sur CWRU, après la correction d’une erreur de correspondance entre les fichiers et les classes, l’ensemble atteint 100 % de précision sur 3 des 4 charges testées, puis 92,27 % sur la quatrième. L’étude met ainsi en regard la précision de classification et plusieurs formes d’incertitude, au lieu de s’appuyer sur un indicateur de confiance unique.