先进的数据分析工具和技术对半导体公司获得竞争优势非常重要。特别是，充分利用生产数据的良率预测工具，有助于提高运营效率和降低生产成本。利用机器学习技术进行半导体制造最终测试（FT）良率预测的新颖和可扩展的框架。该框架能够在晶圆制造阶段预测FT良率，因此与过去相比，FT低良问题可以在更早的生产阶段被发现。提出了一个稳健的解决方案，可以自动处理数值和分类的生产相关数据，而无需事先了解低良率的根本原因。采用了高斯混合模型、独热编码和标签编码技术进行数据预处理。为了提高二类和多类分类的模型性能，演示了使用F1-Marco方法的模型选择和模型集合。该框架已被应用于三种具有不同晶圆技术和制造流程的大规模生产产品。所有这些产品都取得了较高的F1-Macro测试分数，表明了框架的稳健性。
