本研究では、自動車整備受託企業が扱っている車両データと整備データを対象として、機械学習を用いて自動車部品の故障原因を分析する手法を提案する。自動車の部品には、ワイパーゴムのように定期的に交換する部品と、エンジンのように通常は交換が生じない部品が存在している。通常は交換が生じない部品は高額であることが多く、このような部品の交換を未然に防ぐことができれば整備コストの削減につながると期待される。本研究では、まれにしか生じない高額部品の交換に焦点を当て、勾配ブースティングを用いて部品交換が発生するかしないかを予測するモデルを学習し、SHAPを用いて予測モデルの解釈説明を行うことで故障原因を分析する。まれにしか生じない部品を対象としているため、機械学習においてはクラスの不均衡が問題となる。そこで本研究では、勾配ブースティングの特徴を活かして不均衡データをオーバーサンプリングする方法を提案し、その効果を確認する。
