Труды КНЦ. Технические науки. – 2026. - № 2

Инженерия признаков Нелинейные и интегрируемые признаки Произведения и логарифмы ^ ■ s Бинарные индикаторы Х т 2 > One-hot Кодирование призна ков X I j f ' Д о м е н н о ­ специфические ^ признаки___ j Оптимизация гиперпараметрое Нормализация и балансировка Обучение V_______ _______ J Классификационная модель С CatBoost С XGBoost Random Forest Предсказан ный бинарный призна к Y1 j s j го -аXии го с; .0 с; 0) ctО ГО I— 0) Кросс­ валидация Регрессионные модели Про гноз Y2 о гно з Y3 ( П р о гно з ¥4 Оценка и валидация (матрицы ош и б о к процентные соотношения ,5НАР -анали^ таблицы предсказаний, графики сходимости, значения гиперпараметров) Схема архитектуры модели предсказания Architecture diagram of the prediction model В результате мы имеем время получения результатов предсказания для всех 4 переменных менее 1 с. Метрики, полученные на оценке третьего (имеющий 56 строк и включающий только два типа арматуры 10 и 12) и четвертого (насчитывающий 8 строк) наборов данных: Y1 (eval_XY_56) - Accuracy: 1.0000, F1: 1.0000, Balanced Accuracy: 1.0000 Y2 (eval_XY_56) - MSE: 0.0006, MAE: 0.0166, R2: 0.9976 Y3 (eval_XY_56) - MSE: 0.2550, MAE: 0.3716, R2: 0.9947 Y4 (eval_XY_56) - MSE: 0.0318, MAE: 0.1196, R2: 0.9972 Y1 (eval_XY_8x11_fak) - Accuracy: 1.0000, F1: 1.0000, Balanced Accuracy: 1.0000 Y2 (eval_XY_8x11_fak) - MSE: 0.0016, MAE: 0.0251, R2: 0.9995 Y3 (eval_XY_8x11_fak) - MSE: 28.3991, MAE: 2.4289, R2: 0.9815 Y4 (eval_XY_8x11_fak) - MSE: 0.6900, MAE: 0.3635, R2: 0.9690