регресія

The use of machine learning models for electricity consumption prediction for smart grid has been investigated. It was found that data pre-processing can improve the performance of the energy consumption prediction model, while machine learning algorithms can improve model prediction accuracy through the integration of multiple algorithms and hyperparameter optimization. It was found that the ensemble learning method can provide better prediction accuracy than each individual method by combining the strong features of different methods that have different structural characteristics.

Коректна оцінка вартості нерухомості відіграє вирішальну роль у купівлі та продажу. Вартість визначається різними факторами, такими як розташування, площа кухні та кімнат, стан, рік забудови, зручності, інфраструктура поблизу, тренди розвитку району, ринкові тенденції, та багатьма іншими. Розроблена модель допоможе продавцям отримати оцінку їхньої нерухомості за внесеними параметрами, що може слугувати відправною точкою для встановлення кінцевої вартості.

This article presents results related to the direct solution of the polynomial regression parameters based on the analytical solving of regression equations. The analytical solution is based on the normalization of the values of independent quantity with equidistance steps. The proposed solution does not need to directly solve a system of polynomial regression equations. The direct expressions to calculate estimators of regression coefficients, their standard deviations, and also standard and expanded deviation of polynomial functions are given.