Порівняння регресійних моделей у задачі прогнозування вартості автомобіля за допомогою ML.Net
Анотація
Дослідження присвячене прогнозуванню вартості автомобіля за допомогою машинного навчання на платформі ML.Net на основі їхніх технічних характеристик, таких як модель, рік випуску, тип палива, пробіг, об'єм двигуна та витрата палива. В дослідженні використано кілька алгоритмів регресії, таких як LightGbmRegression, FastTreeTweedieRegression, FastTreeRegressionSdcaRegression і LbfgsPoissonRegression. Моделі були оцінені за метриками R² (коефіцієнт детермінації), absolute-loss (абсолютна похибка), squared-loss (квадратична похибка) та RMS-loss (середньоквадратичне похибка). Найкращі результати отримані для моделей LightGbmRegression та FastTreeRegression, що підтверджує їхню високу точність у прогнозуванні вартості транспортних засобів. Дослідження відкриває нові можливості для подальшого вдосконалення моделей та інтеграції в реальні бізнес-процеси.
Посилання
[2] Bishop, C. Pattern Recognition and Machine Learning. – Springer, 2006.
[3] Документація ML.NET [Електронний ресурс] – режим доступу до ресурсу:» https://dotnet.microsoft.com/en-us/apps/machinelearning-ai/ml-dotnet«
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
