ПРИМЕНЕНИЕ АЛГОРИТМА «ДЕРЕВЬЕВ РЕШЕНИЙ» В ЗАДАЧЕ ЛОКАЛЬНОГО ПРОГНОЗИРОВАНИЯ ГАЗОД
DOI:
https://doi.org/10.7242/echo.2025.2.5Ключевые слова:
газодинамические явления, локальное прогнозирование, задача классификации, машинное обучение, дерево решений, сильвинитАннотация
В статье представлены результаты разработки модели классификации на основе алгоритма дерева решений в приложении к задаче локального прогнозирования газодинамических явлений. Из общей выборки, состоящей из 245 наблюдений с 12 горно-геологическими параметрами, были отобраны 84 наблюдения для обучающей выборки. Остальная часть использовалась в качестве тестовой выборки для полученных моделей. Разработанные модели показали, что максимальная точность модели достигается при максимальной глубине дерева, составляющей более 6 уровней. Из 12 использованных для обучения модели горно-геологических параметров наиболее информативными для дискриминации в рассматриваемом алгоритме оказались 8. Отобранная наиболее эффективная модель решающего дерева показала высокую эффективность на тестовом наборе данных, однако известные недостатки деревьев решений в виде высокой чувствительности к выбросам и высокой нестабильности не позволяют в полной мере произвести анализ взаимосвязей между горно-геологическими параметрами, что ограничивает использование данного типа моделей лишь в качестве дополнительного алгоритма в более комплексном ансамбле алгоритмов для решения задачи классификации.
Библиографические ссылки
Барях А.А., Андрейко С.С., Федосеев А.К. О механизме локализации очагов газодинамических явлений в почве сильвинитовых пластов // Вестн. ПНИПУ: Геология. Нефтегазовое и горное дело. – 2017. – Т. 16, № 3.– С. 247-254. – DOI: 10.15593/2224-9923/2017.3.5.
Андрейко С.С., Лядов В.О., Папулов А.С., Абашин В.И. Анализ геологических условий проявления газодинамических явлений Гремячинского ГОКа // Изв. Тульского гос. ун-та. Науки о Земле. – 2024. – № 1. – С. 465-474.
Иванов О.В., Нестерова С.Ю., Лядов В.О., Лукьянец Е.В. Региональное прогнозирование опасных по газодинамическим явлениям зон в условиях шахтного поля рудника Талицкого ГОКа // Горный журнал. – 2023 – № 11. – С. 84-88. – DOI: 10.17580/gzh.2023.11.14.
Лядов В.О. Актуализация регионального прогноза зон, опасных по газодинамическим явлениям, в условиях Гремячинского месторождения калийных солей // Горное эхо. – 2024. – № 2 (95). – С. 66-71. – DOI: 10.7242/echo.2024.2.12.
Лядов В.О. Оценка эффективности применения нейронных сетей при региональном прогнозировании зон газодинамической опасности в калийных рудниках // Актуальные проблемы недропользования: тез. докл. XIX Междунар. форум-конкурса студентов и молодых ученых / Санкт Петерб. Горный ун-т. – СПб., 2023. – Т. 1. – С. 195-197.
Brodley C.E., Utgoff P.E. Multivariate decision trees // Machine learning. – 1995. – V. 19. – P. 45-77.
Jijo B.T., Abdulazeez A.M. Classification based on decision tree algorithm for machine learning // Journal of applied science and technology trends. – 2021. – V. 2. – № 1. – P. 20-28. – DOI: 10.38094/jastt20165.
Кисляков А.Н. Алгоритм бинарной классификации на основе графов принятия решений в задачах кредитного скоринга // Модели, системы, сети в экономике, технике, природе и обществе. – 2021. – № 1. – С. 29-41.
