在半导体制造过程中，由于其成本高昂且工艺复杂，保持产品良率、周期时间和质量至关重要。合格设备的单元探测 (UP) 箱体误差的增加引发了交付问题，需要降低风险。管理层经常要求估算低于最低良率和/或超出统计箱体限值的潜在报废风险。规划组需要知道是否需要新的晶圆批次来填补芯片短缺，而产品组则希望了解单元探测的良率影响。作为设备所有者，我使用数据挖掘技术来识别与 UP 误差相对应的参数探测参数的变化，并根据预测模型做出高级决策。
在本演示中，从生产数据库中提取并清理了单元探测和类别探测数据。收集的数据被分成训练、验证和测试数据集。在晶圆级对四种模型进行了评估和分析。选择分类决策树模型和引导森林分类模型进行分类响应分析（是否报废），而比较线性回归模型和引导森林回归模型进行连续响应分析（UP 箱落差百分比）。模型筛选有助于将参数从数百个减少到少数几个。根据构建的预测模型对晶圆的处置做出最终决定。
当从测试数据集中获得 UP 响应时，可以比较两个预测模型在预测和探测的箱体沉降物之间的准确性。
