Витте Курсовая работа Машинное обучение и анализ данных. Тема: Применение ансамблевых методов для решения прикладной задачи анализа данных

Курсовая Витте по дисциплине "Машинное обучение и анализ данных". Тема - Применение ансамблевых методов для решения прикладной задачи анализа данных.

ВНИМАНИЕ! Работу можно использовать как образец для своей курсовой, так как она была зачтена преподавателем. Работа загружена в базу, поэтому оригинальности уже нет.

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ. 3

1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ.. 6

1.1. Выбор набора данных. 6

1.2. Анализ и подготовка набора данных. 6

1.3. Обзор ансамблевых методов машинного обучения. 9

2. ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ.. 12

2.1. Выбор ансамблевого метода, создание и оптимизация гиперпараметров модели. 12

2.1.1 Выбор ансамблевого метода Random Forest 12

2.1.2 Создание базовой модели Random Forest 12

2.1.3 Оптимизация гиперпараметров модели Random Forest 13

2.2. Формирование обучающей и тестовой выборок, обучение модели. 14

2.2.1 Формирование обучающей и тестовой выборок. 14

2.2.2 Обучение модели. 16

2.3. Сравнение с другими ансамблевыми методами. 18

3. ТЕСТИРОВАНИЕ. 21

3.1. Расчёт эффективности модели до оптимизации гиперпараметров. 21

3.2. Расчёт эффективности модели после оптимизации гиперпараметров. 24

3.3. Анализ результатов оптимизации. 26

ЗАКЛЮЧЕНИЕ. 30

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ.. 33

Приложение 1. 35

Приложение 2. 41

1. Документация fetch_20newsgroups [Электронный ресурс]. URL:https://scikit-learn.org/stable/modules/generated/sklearn.datasets.fetch_20newsgroups.html (дата обращения: 15.05.2025).

2. Документация Random Forest Classifier [Электронный ресурс].URL:https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.

RandomForestClassifier.html(дата обращения: 15.05.2025).

3. Документация Gradient Boosting Classifier [Электронный ресурс].URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.

GradientBoostingClassifier.html(дата обращения: 15.05.2025).

4. Документация AdaBoost Classifier [Электронный ресурс].URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.

AdaBoostClassifier.html(дата обращения: 15.05.2025).

5. Антао Т. Биоинформатика с Python: книга рецептов: Современные библиотеки и приложения Python для решения реальных задач вычислительной биологии : практическое руководство— Москва : ДМК Пресс, 2023. — 345 с.

6. Целых А. Н., Драгныш Н. В., Котов Э. М. Принятие решений на основе методов машинного обучения : учебное пособие по курсам «Модели и методы инженерии знаний», «Методы анализа больших данных». —Ростов-на-Дону; Таганрог : Издательство Южного федерального университета, 2022. — 113 с.

7. Рашка Себастьян. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения. — Москва : ДМК Пресс, 2017. — 418 с. 

8. Рашка Себастьян, Мирджалили Вахид. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и Tensor Flow 2. — Москва : Диалектика-Вильямс, 2021. — 848 с.

9. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python : практическое руководство. — Москва : ДМК Пресс, 2018. — 360 с.

10. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных : учебник. — 2-е изд. — Москва :ДМК Пресс, 2023. — 401 с.

11. МэрфиК. П. Вероятностное машинное обучение. Дополнительные темы: предсказание, порождение, обнаружение, действие : практическое руководство. —Москва : ДМК Пресс, 2024. —768 с.