Enhancing Manufacturing Quality Prediction Models through the Integration of Explainability Methods

这项研究提出了一种利用可解释性技术来增强机器学习（ML）模型在预测铣削过程质量方面性能的方法，并通过制造业实例证明了其可行性。该方法包括对ML模型进行初始训练，然后通过可解释性方法识别并消除无关特征的微调阶段。这种程序性的改进可以提高性能，为潜在的制造成本降低和对训练的ML模型有更好的理解铺平道路。本研究强调了可解释性技术在制造领域中解释和优化预测模型的有用性。

本研究旨在通过可解释性技术，提高机器学习模型在铣削过程质量预测中的性能。这是否是一个新问题？

该研究的关键思路是通过可解释性技术来剔除无关特征，从而优化机器学习模型的性能。与当前领域的研究相比，这篇论文的思路有何新意？

本研究在制造业领域展示了可解释性技术在解释和优化预测模型方面的实用性。实验使用了铣削数据集，并开发了一个两阶段的模型训练和优化流程。该研究的亮点包括提高了预测性能，为制造成本降低和模型理解提供了可能。

在这个领域中，最近的相关研究包括：1.《Manufacturing Process Planning Using Machine Learning: A Review》 2.《Machine Learning Applications in Manufacturing》 3.《An overview of machine learning applications in smart manufacturing and industry 4.0》