Дослідження впливу ансамблевих алгоритмів на продуктивність класифікаційних моделей
Анотація
Методи статистичного навчання відіграють фундаментальну роль у створенні моделей для класифікації, прогнозування та виявлення закономірностей у даних. Однак окремі моделі, зокрема дерева рішень чи лінійні класифікатори, часто мають обмежену узагальнювальну здатність, особливо у випадку складних або шумних вибірок. Для подолання цих обмежень застосовують ансамблеві алгоритми, що поєднують декілька моделей у єдину систему з підвищеною надійністю та точністю [1].
Посилання
1. Талах М. В. Ансамблеві архітектури та технології аналізу даних. Чернівці: Технодрук, 2023. 246 с.
2. Kotsiantis S. Combining bagging, boosting, rotation forest and random subspace methods. Artificial Intelligence Review. 2011. Vol. 35. P. 223–240. URL: https://doi.org/ 10.1007/s10462-010-9192-8 (дата звернення: 23.11.2025).
3. Austin P. Using ensemble-based methods for directly estimating causal effects: an investigation of tree-based g-computation. Multivariate Behavioral Research. 2012. Vol. 47, № 1. P. 115–135.