비지도학습 종합 복습

냉동창고 냉각설비 데이터로 표준화, PCA, K-Means 군집화와 이상치 탐지를 복습

실습 데이터: 냉동창고 냉각설비 운영

한 행은 냉동창고 냉각설비의 한 운전 구간 기록
숫자형 입력 변수 10개
운전 유형은 저부하 보관, 일반 냉각, 급속 냉동의 세 종류
전체 54건에 냉매 누설, 기계 결함, 센서 오류를 각각 18건씩 주입

컬럼	설명
`record_id`	운전 기록 ID
`cooling_load_pct`	냉각 부하(%)
`outside_temp_c`	외기 온도(°C)
`compressor_power_kw`	압축기 소비전력(kW)
`suction_pressure_kpa`	냉매 흡입 압력(kPa)
`discharge_pressure_kpa`	냉매 토출 압력(kPa)
`evaporator_temp_c`	증발기 온도(°C)
`condenser_temp_c`	응축기 온도(°C)
`compressor_temp_c`	압축기 온도(°C)
`vibration_mm_s`	진동 속도(mm/s)
`energy_use_kwh`	구간 에너지 사용량(kWh)
`operation_profile`	실제 운전 유형(`light_storage`, `normal_cooling`, `rapid_freeze`)
`anomaly_type`	실제 상태(`normal`, `refrigerant_leak`, `mechanical_fault`, `sensor_fault`)

파일을 Colab 현재 폴더에 업로드한 뒤 실행하세요.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df_refrigeration = pd.read_csv(
    "refrigeration_operations.csv"
)
df_refrigeration.head()

분석 변수 지정

군집화, PCA와 이상치 탐지에는 다음 10개 숫자형 변수만 사용하세요.

feature_cols = [
    "cooling_load_pct",
    "outside_temp_c",
    "compressor_power_kw",
    "suction_pressure_kpa",
    "discharge_pressure_kpa",
    "evaporator_temp_c",
    "condenser_temp_c",
    "compressor_temp_c",
    "vibration_mm_s",
    "energy_use_kwh",
]

X = df_refrigeration[feature_cols]

from sklearn.preprocessing import StandardScaler

X_scaled = StandardScaler().fit_transform(X)