регресія

Досліджено використання моделей машинного навчання для прогнозування електроспоживання інтелектуальної мережі. З’ясовано, що попереднє оброблення даних збільшує продуктивність моделі прогнозування споживання енергії, а методи машинного навчання підвищують її точність завдяки інтеграції кількох алгоритмів та оптимізації гіперпараметрів. Виявлено, що ансамблева модель, яка поєднує низку моделей із різними структурними характеристиками, забезпечує вищу точність прогнозування, ніж кожна модель зокрема. Запропоновано вибір базових моделей із різною будовою: лінійні, рекурсивні, деревоподібні.

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.