Використання алгоритмів машинного навчання для прогнозування ефективності фізичної реабілітації

Abstract

Важливою складовою створення ефективних моделей є оцінка їх надійності та інтерпретованості. Для цього застосовують метрики точності, F1-показник, JaccardSimilarityScore, LogLoss та середню абсолютну похибку (MAE). Власний аналіз, проведений на основі відкритих наборів плантографічних даних, показав, що алгоритм дерева рішень продемонстрував найвищу точність (93,33 %), тоді як методи k-NN та SVM мали точність 91,11 % і 84,44 % відповідно. Це свідчить про доцільність застосування ансамблевих моделей, які поєднують різні типи ознак для підвищення стабільності прогнозування