Ключевые слова
градиентный бустинг
период заморозков
прогноз заморозков
временные ряды
Как цитировать
Аннотация
в статье приводится сравнение результатов применения ансамблевых методов машинного обучения для решения задачи прогнозирования завершения периода заморозков. Дано краткое описание ансамблевых методов. Представлены результаты исследования зависимости влияния различных наборов гиперпараметров и входных данных на обучение оптимальной модели. Сделаны выводы о качестве получаемых моделей с помощью различных вариаций градиентного бустинга, случайного леса и линейной модели. В работе приведены результаты применения библиотек, реализующих методы машинного обучения: XGBoost, LightGBM, CatBoost, Random Forest (scikit-learn), логистическая регрессия.
Литература
Солозобов В. А., Лысенкова С. А. Методика оценки и выбора оптимальной модели, прогнозирующей окончание периода заморозков. Успехи кибернетики. 2025;6(2):100–107. EDN: WKIVRC.
Архив метеоданных. Режим доступа: https://rp5.ru/.
Рубан А. А., Белогубова А. А. Прогнозирование выручки предприятий общественного питания с использованием прогноза погоды. Финансовый вестник. 2025;1:20–25. EDN: VFGNRG.
Rokach L. Ensemble-Based Classifiers. Artificial Intelligence Review. 2010;33(1):1–39. DOI: 10.1007/s10462-009-9124-7.
Yang Y., Lv H., Chen N. A Survey on Ensemble Learning under the Era of Deep Learning. Artificial Intelligence Review. 2023;56:5545–5589. DOI: 10.1007/s10462-022-10283-5.
Schonlau M., Zou R. Y. The Random Forest Algorithm for Statistical Learning. The Stata Journal. 2020;20(1):3–29. DOI: 10.1177/1536867X20909688.
Biau G., Scornet E. A Random Forest Guided Tour. Test. 2016;25(2):197–227. DOI: 10.1007/s11749-016-0481-7.
Salman H. A., Kalakech A., Steiti A. Random Forest Algorithm Overview. Babylonian Journal of Machine Learning. 2024;2024:69–79. DOI: 10.58496/BJML/2024/007.
Natekin A., Knoll A. Gradient Boosting Machines, a Tutorial. Frontiers in Neurorobotics. 2013;7:21. DOI: 10.3389/fnbot.2013.00021.
Bentéjac C., Csörgő A., Martínez-Muñoz G. A Comparative Analysis of Gradient Boosting Algorithms. Artificial Intelligence Review. 2021;54(3):1937–1967. DOI: 10.1007/s10462-020-09896-5.
Chen T., Guestrin C. Xgboost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIKGDD International Conference on Knowledge Discovery and Data Mining. 2016:785–794. DOI: 10.1145/2939672.2939785.
Ke G. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems. 2017:30.
Zhang Y., Liu J., Shen W. A Review of Ensemble Learning Algorithms Used in Remote Sensing Applications. Applied Sciences. 2022;12(17):8654. DOI: 10.3390/app12178654.
Prokhorenkova L. et al. CatBoost: Unbiased Boosting with Categorical Features. Advances in Neural Information Processing Systems. 2018:31.
Hancock J. T., Khoshgoftaar T. M. CatBoost for Big Data: an Interdisciplinary Review. J Big Data. 2020;7:94. DOI: 10.1186/s40537-020-00369-8.
Jiang J. et al. Boosting Tree-Assisted Multitask Deep Learning for Small Scientific Satasets. Journal of Chemical Information and Modeling. 2020;60(3):1235–1244. DOI: 10.1021/acs.jcim.9b01184.