LightGBM

ПРОГНОЗУВАННЯ ТЕХНІЧНОГО СТАНУ ВИРОБНИЧОГО ОБЛАДНАННЯ ІЗ ЗАСТОСУВАННЯМ COST-SENSITIVE ПІДХОДІВ ТА ОПТИМІЗАЦІЇ ПОРОГІВ КЛАСИФІКАЦІЇ

У статті наведено дослідження застосування сучасних методів машинного навчання для задачі передиктивного технічного обслуговування на основі відкритого датасету AI4I Predictive Maintenance. Основні цілі роботи – побудова та порівняння моделей бінарної та багатокласової класифікації, що дають змогу передбачати як сам факт відмови обладнання, так і конкретний тип поломки. Враховуючи високий дисбаланс даних (частка відмов становить близько 3 %), було реалізовано підхід cost-sensitive оптимізації, за яким пропуск реальної відмови оцінюють як значно критичніший за хибну тривогу.

Explainable AI and robust forecasting of global salary trends: Addressing data drift and unseen categories with tree-based models

This article studies salary prediction under distributional drift using explainable boosting models and hybrid forecasting.  We integrate unseen-aware feature engineering, robust objectives, SHAP-based interpretability, drift detection, and time-series forecasting (Prophet/SARIMAX) on multi-year data (2020–2024), and report a comprehensive evaluation aligned with typical MMC guidelines.  Modern salary data are heterogeneous, heavy-tailed, and non-stationary.  Therefore we combine robust tree-based learners with drift monitoring and explainable forecasting to prioritize