Порівняльний аналіз методів машинного навчання для побудови прогнозів

DOI: 10.31673/2409-7292.2024.040013

Анотація

Все що відбувається в світі, люди намагаються прогнозувати. Раніше прогнозування відбувалось за допомогою спостережень і обрахунків, які виконували люди. На сьогодні все можна спрогнозувати, використовуючи машинне навчання. Тому тема методів машинного навчання є дуже актуальною. У цій статті розглянуто різні методи машинного навчання, які використовуються для прогнозів. Було проаналізовано такі методи: лінійна регресія, випадковий ліс, градієнтний бустинг, нейронні мережі, метод опорних векторів, метод k-найближчих сусідів, а також автоматичне машинне навчання. Кожен із цих методів охарактеризовано за обраними критеріями, щоб порівняти їх ефективність у прогнозуванні. Кожен метод має свої переваги та недоліки, і неможливо визначити один універсально найкращий, оскільки їх ефективність залежить від конкретного типу прогнозів. Для узагальнення результатів дослідження побудовано таблицю, в якій зазначені ключові характеристики кожного методу, що дозволяє наочно оцінити їхні сильні та слабкі сторони. Особливу увагу приділено методу опорних векторів, зокрема його специфіці в прогнозуванні та можливостям покращення точності за певних умов. Також докладно розглянуто метод лінійної регресії, його переваги, недоліки та випадки ефективного застосування. У статті запропоновано підхід до об’єднання цих двох методів для створення гібридного підходу до прогнозування, що може покращити результати у складних задачах. Робота надає практичні рекомендації щодо вибору методу машинного навчання залежно від задачі прогнозування.

Ключові слова: машинне навчання, лінійна регресія, метод опорних векторів, прогнозування за допомогою машинного навчання.