ЗАДАЧА ПРОГНОЗУВАННЯ В МАШИННОМУ НАВЧАННІ

Анотація

У статті розглянуто використання методів машинного навчання, зокрема лінійної регресії, для розв’язування задач прогнозування. Основну увагу приділено розробці, навчанню та оцінці моделей лінійної регресії на прикладі набору даних, що містить показники про рівень щастя населення країн світу залежно від їх соціально-економічних показників. Робота демонструє етапи побудови моделі: від вибору початкових даних, попереднього опрацювання набору даних до візуалізації одержаних результатів за допомогою засобів мови програмування Python та її бібліотек. У дослідженні акцентовано увагу на ключових етапах, таких як масштабування ознак, розподіл даних на тренувальну і тестову вибірки, а також використання основних метрик для оцінки якості прогнозуючих моделей, серед яких MSE, RMSE, MAE та коефіцієнт детермінації R². Наведено порівняння точності моделі на тренувальних та тестових наборах даних, що дозволило оцінити її здатність до узагальнення.

Результати дослідження підтверджують, що методи масштабування, зокрема нормалізація та стандартизація, значно покращують продуктивність регресійних моделей, а використання бібліотеки sklearn забезпечує інтуїтивність і простоту реалізації. У статті також розглянуто особливості та обмеження методів, зокрема, їхню чутливість до якості вхідних даних та необхідність обробки викидів. У висновках підкреслено універсальність лінійної регресії як методу для аналізу та виявлення причинно-наслідкових зв’язків на основі залежностей між змінними та значення попереднього аналізу даних і оптимізації моделей для підвищення точності прогнозів, застосування методів подальшого узагальнення даних. Стаття ілюструє можливості застосування методів машинного навчання на основі лінійної регресії для розв’язування практичних задач у різних галузях людської діяльності.