Сравнение реализаций бустинг моделей на различных данных
Аннотация
Выпускная квалификационная работа магистра 117 с., 47 таб., 33 рис., 17 источников.
XGBOOST, LIGHTGBM, CATBOOST, МАШИННОЕ ОБУЧЕНИЕ, КРОСС-ВАЛИДАЦИЯ, НАСТРОЙКА ГИПЕРПАРАМЕТРОВ, ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ, ТОЧНОСТЬ, ПОЛНОТА, F1-МЕРА, RMSE, СТАТИСТИЧЕСКИЕ ТЕСТЫ, R², СРАВНИТЕЛЬНЫЙ АНАЛИЗ.
СРАВНЕНИЕ РЕАЛИЗАЦИЙ БУСТИНГ МОДЕЛЕЙ НА РАЗЛИЧНЫХ ДАННЫХ
Цель работы – анализ и сравнение различных реализаций бустинг моделей для повышения эффективности и точности машинного обучения.
Объект исследования – методы бустинга, включая XGBoost, LightGBM и CatBoost, применяемые к различным наборам данных.
Методы исследования: аналитический обзор современных методов бустинга, кросс-валидация, настройка гиперпараметров, предварительная обработка данных, синтез результатов.
Результаты работы: разработана усовершенствованная методология оценки производительности моделей на основе метрик точности, полноты, F1-меры для классификации и RMSE, MAE, R² для регрессии. Проведен сравнительный анализ моделей XGBoost, LightGBM и CatBoost на различных наборах данных, выявлены их преимущества и недостатки.
Выпускная квалификационная работа выполнена в текстовом редакторе Microsoft Word и представлена в твердой копии.
XGBOOST, LIGHTGBM, CATBOOST, МАШИННОЕ ОБУЧЕНИЕ, КРОСС-ВАЛИДАЦИЯ, НАСТРОЙКА ГИПЕРПАРАМЕТРОВ, ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ, ТОЧНОСТЬ, ПОЛНОТА, F1-МЕРА, RMSE, СТАТИСТИЧЕСКИЕ ТЕСТЫ, R², СРАВНИТЕЛЬНЫЙ АНАЛИЗ.
СРАВНЕНИЕ РЕАЛИЗАЦИЙ БУСТИНГ МОДЕЛЕЙ НА РАЗЛИЧНЫХ ДАННЫХ
Цель работы – анализ и сравнение различных реализаций бустинг моделей для повышения эффективности и точности машинного обучения.
Объект исследования – методы бустинга, включая XGBoost, LightGBM и CatBoost, применяемые к различным наборам данных.
Методы исследования: аналитический обзор современных методов бустинга, кросс-валидация, настройка гиперпараметров, предварительная обработка данных, синтез результатов.
Результаты работы: разработана усовершенствованная методология оценки производительности моделей на основе метрик точности, полноты, F1-меры для классификации и RMSE, MAE, R² для регрессии. Проведен сравнительный анализ моделей XGBoost, LightGBM и CatBoost на различных наборах данных, выявлены их преимущества и недостатки.
Выпускная квалификационная работа выполнена в текстовом редакторе Microsoft Word и представлена в твердой копии.