Alessandri, Rebecca
(2023)
Un algoritmo per la ricerca di cause radice.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Matematica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (2MB)
| Contatta l'autore
|
Abstract
La gestione della qualità del prodotto in ambito manifatturiero è un tema di fondamentale importanza per le aziende in quanto permette loro di assicurare la conformità di prodotti e servizi, caratteristiche base per garantire la soddisfazione del cliente.
In questo contesto l'analisi delle cause radice delle non conformità del prodotto risulta essere di fondamentale importanza. Infatti questo processo sistematico permette di individuare le cause alla base dei problemi che si sono verificati, adottando in seguito azioni correttive mirate ed efficaci, volte a ridurre o eliminare la non conformità.
Vista l'importanza della gestione delle non conformità per le aziende, l'obiettivo che ci siamo posti è quello di realizzare un algoritmo che permetta di individuare le cause più importanti delle non conformità dei prodotti.
Per raggiungere il nostro obiettivo abbiamo inizialmente effettuato una rassegna della letteratura relativa ai metodi di machine learning finalizzati all'analisi delle relazioni tra le variabili indipendenti e la variabile target. Abbiamo quindi deciso di utilizzare gli alberi decisionali e le regole di classificazione.
In particolare, come algoritmo di albero decisionale, abbiamo scelto di implementare il CHAID (Chi-squared Automatic Interaction Detection).
Successivamente abbiamo cercato una metrica parametrica che ci permettesse di classificare i nodi dell'albero bilanciando le metriche di precision e di recall di ogni nodo. A tale scopo abbiamo scelto la metrica F beta.
Infine, abbiamo identificato le regole associate a ciascun nodo rilevante considerando le variabili utilizzate per suddividere l'albero, partendo dal nodo radice e procedendo fino al nodo di interesse.
Abstract
La gestione della qualità del prodotto in ambito manifatturiero è un tema di fondamentale importanza per le aziende in quanto permette loro di assicurare la conformità di prodotti e servizi, caratteristiche base per garantire la soddisfazione del cliente.
In questo contesto l'analisi delle cause radice delle non conformità del prodotto risulta essere di fondamentale importanza. Infatti questo processo sistematico permette di individuare le cause alla base dei problemi che si sono verificati, adottando in seguito azioni correttive mirate ed efficaci, volte a ridurre o eliminare la non conformità.
Vista l'importanza della gestione delle non conformità per le aziende, l'obiettivo che ci siamo posti è quello di realizzare un algoritmo che permetta di individuare le cause più importanti delle non conformità dei prodotti.
Per raggiungere il nostro obiettivo abbiamo inizialmente effettuato una rassegna della letteratura relativa ai metodi di machine learning finalizzati all'analisi delle relazioni tra le variabili indipendenti e la variabile target. Abbiamo quindi deciso di utilizzare gli alberi decisionali e le regole di classificazione.
In particolare, come algoritmo di albero decisionale, abbiamo scelto di implementare il CHAID (Chi-squared Automatic Interaction Detection).
Successivamente abbiamo cercato una metrica parametrica che ci permettesse di classificare i nodi dell'albero bilanciando le metriche di precision e di recall di ogni nodo. A tale scopo abbiamo scelto la metrica F beta.
Infine, abbiamo identificato le regole associate a ciascun nodo rilevante considerando le variabili utilizzate per suddividere l'albero, partendo dal nodo radice e procedendo fino al nodo di interesse.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Alessandri, Rebecca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
CURRICULUM ADVANCED MATHEMATICS FOR APPLICATIONS
Ordinamento Cds
DM270
Parole chiave
cause radice,machine learning,alberi decisionali,regole di classificazione,CHAID
Data di discussione della Tesi
27 Ottobre 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Alessandri, Rebecca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
CURRICULUM ADVANCED MATHEMATICS FOR APPLICATIONS
Ordinamento Cds
DM270
Parole chiave
cause radice,machine learning,alberi decisionali,regole di classificazione,CHAID
Data di discussione della Tesi
27 Ottobre 2023
URI
Statistica sui download
Gestione del documento: