СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ ДАННЫХ ПРИ ПРОГНОЗИРОВАНИИ ЦЕН TRADE-IN АВТО

В статье реализованы и проанализированы алгоритмы машинного обучения для предсказания цен авто. Предсказание цен – одна из самых сложных, но интересных задач. В предсказании задействовано много факторов – год выпуска, состояние, пробег, объем двигателя и т.д. Эти аспекты в совокупности влияют на цены авто, делая их нестабильными и затрудняя прогнозирование с высокой степенью точности. Методы машинного обучения могут выявить закономерности и идеи, которые мы раньше не видели, и их можно использовать для безошибочно точных прогнозов и классификации данных. Выбор надлежащего алгоритма классификации данных, который подходил бы для отдельно взятой задачи, зависит от объема, качества и природы данных, от вычислительных ресурсов компьютера, а также от того, как вы планируете использовать результат. Каждый алгоритм классификации имеет свои особенности и основывается на определенных допущениях. В конечном счете качество классификатора, его вычислительная и предсказательная мощность зависят от базовых данных, предназначенных для тренировки алгоритма. Цель данной статьи – рассмотреть этапы предварительной обработки тренировочных данных и показать, как машинное обучение в частности и информационные технологии в целом преуспели в разработке инструментов для моделирования, проектирования, прогнозирования, планирования и поддержки принятия решений в области продажи авто. В данном исследовании предлагается гибридный подход к задачам прогнозирования, то есть к решению задач прогнозирования с применением методов статистического анализа и машинного обучения.

1. Narender Kumar, Dharmender K. Machine Learning based Heart Disease Diagnosis using Non-Invasive Methods, 2021, J. Phys.: Conf. Ser. 1950 012081.

2. Alarsan F.I., Younes M. Analysis and classification of heart diseases using heartbeat features and machine learning algorithms. J Big Data 6, 81, 2019. URL: https://doi.org/10.1186/s40537-019-0244-x.

3. Рашка С.Python и машинное обучение. – Москва: ДМК Пресс, 2017. – 265 с.

4. Akhmed-Zaki D.Zh., Mukhambetzhanov S.T., Nurmakhanova Zh.M. and Abdiakhmetova Z.M. Using Wavelet Transform and Machine Learning to Predict Heart Fibrillation Disease on ECG 2021 // IEEE International Conference on Smart Information Systems and Technologies (Nur-Sultan, 28-30 April, 2021). URL: https://doi.org/ 10.1109/SIST50301.2021.9465990.

5. Bilbro R., Ojeda T., Bengfort B.,Language-Aware Data Products with Machine Learning, O'Reilly Media, 2018, 313 p.

6. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. – ДиалектикаВильямс, Альфа-книга, 2018. – 465 с.

7. Плас Дж.В. Python для сложных задач. Наука о данных и машинное обучение. – Питер, 2018. – 265 с.

8. Бослав С. Статистика для всех. – Москва: ДМК Пресс, 2015. – 201 с.

9. Бенгфорд Б., Билбро Р. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка. – Санкт-Петербург, 2019. –181 с.

10. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение // Библиотека программиста. – Питер, 2019. – 304 с.

11. Chollet F. Deep learning with Python, Manning, 2020, 169 p.

12. Бурков А. Машинное обучение без лишних слов // Библиотека программиста. – Питер, 2020. – С. 60–69.

13. Shone N., Ngoc T.N., Phai V.D. and Shi Q. A deep learning approach tonetwork intrusion detection // IEEE Trans. Emerg. Topics Comput. Intell, vol. 2, no. 1, pp. 41–50.

14. Чистяков C.П. Случайные леса: обзор // Труды Карельского научного центра РАН.–2013.–No 1.– С.117–136.

15. Гришанов К.М., Белов Ю.С. Метод классификации K-NN и его применение в распознавании символов // Фундаментальные проблемы науки: Сборник статей Международной научно-практической конференции (15 мая 2016 г.) – Ч. 3. – Тюмень: НИЦ Аэтерна, 2016. – С. 30–33.

16. Jenhani I., Amor N. B., Eloued Z. Decision trees as possibilistic classifiers // International Journal of Approximate Reasoning, no. 48 (nov.2008), pp. 786–801. URL: https://doi.org/10.1016/j.ijar.2007.12.002.17 Rymarczyk T., Kozłowski E. Logistic Regression for Machine Learning in Process Tomography // MDPI, no. 19(15) (2019), pp. 206–208. URL: https://doi.org/10.3390/s19153400.

17. URL: https://haraba.ru.

18. Sanjay P. Pro RESTful APIs Design, Build and Integrate with REST, JSON, XML and JAX-RSApress, Berkeley, CA, 2018. URL: https://doi.org/10.1007/978-1-4842-2665-0.

19. Stephen R.G. Fraser Windows Services. In: Pro Visual C++/CLI and the .NET 2.0 Platform, Apress, 2006. URL: https://doi.org/10.1007/978-1-4302-0109-0_14.