ivdon3@bk.ru
В данной статье описан процесс разработки моделей машинного обучения для прогнозирования проблемных состояний. В основе формирования систем поддержки принятия решений в условиях проблемных ситуаций предполагается использование ансамблевых методов машинного обучения: бэггинг, бустинг и стекинг. С целью повышения качества построенных моделей применяется метод балансировки данных, описаны алгоритмы андерсэмплинга и оверсэмплинга. Так как использование сложных моделей машинного обучения снижает способность объяснения полученного результата, приведены различные способы интерпретации построенных моделей. По результатам исследования сформирован метод прогнозирования проблемных состояний. Такой подход способствует поэтапному решению выявленной проблемной ситуации и последовательному достижению поставленной цели.
Ключевые слова: машинное обучения, бэггинг, бустинг, стекинг, проблемные состояния, балансировка данных, shap-значения
05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.10 - Управление в социальных и экономических системах