Details

В данной работе исследовались новые модели машинного обучения в условиях интервальности данных. Задача интервальной регрессии была сведена к задаче классификации, в результате чего были предложены параметрические и непараметрические модели машинного обучения. В ходе исследования было разработано программное обеспечение для обучения моделей и проведены вычислительные эксперименты на синтетических и реальных данных для оценки их точности. Непараметрические модели в большинстве случаев были более точны на реальных данных, в то время как параметрические -- на синтетических. В результате экспериментов был сделан вывод о том, что среди разработанных моделей нет лучшей и выбор оптимальной модели зависит от специфики данных. Результаты данной работы были опубликованы в виде двух статей в журналах индексируемых Scopus и Web of science, а также было зарегистрированно две программы в ФИПС. Полученные модели могут использоваться для увеличения точности интервальной регрессии при обработке интервальных данных, содержащих неопределённость: результатов метрологических измерений или численного моделирования.

In this work, new machine learning models were investigated in the context of interval data. The problem of interval regression was considered as a classification problem, resulting in the proposal of parametric and non-parametric machine learning models. The work involved the development of software for training models and the conduct of computational experiments on synthetic and real data to evaluate their accuracy. Non-parametric models were generally more accurate on real data, while parametric models were more accurate on synthetic data. As a result of the experiments, it was concluded that there is no best model among the developed models, and the choice of the optimal model depends on the specific data. The results of the thesis were published in two articles in journals indexed by Scopus and Web of science, and two programs were registered with the Federal Service for Intellectual Property. The obtained models can be used to increase the accuracy of interval regression when processing interval data.