IS220PHRAH1B GE Mark VI

(3) A large number of features. Different from the data sets in traditional data mining, the features observed in manufacturing analysis
may be thousands. Care must therefore be taken to avoid that machine learning algorithms can only work with reduced datasets (i.e.
datasets with a small number of features).

(4) Multicollinearity, when products pass through the assembly line, different measurement methods are taken at different stations
in the production process. Some of these measurements can be highly correlated, however many machine learning and data mining
algorithm properties are independent of each other, and multicollinearity issues should be carefully studied for the proposed analysis method.

(5) Classification imbalance problem, where there is a huge imbalance between good and bad parts (or scrap, that is, parts that do not
pass quality control testing). Ratios may range from 9:1 to even lower than 99,000,000:1. It is difficult to distinguish good parts from scrap
using standard classification techniques, so several methods for handling class imbalance have been proposed and applied to manufacturing analysis [8].