Порівняння алгоритмів машинного навчання для прогнозування врожайності

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorРізниченко, Андрій Сергійович
dc.date.accessioned2025-06-16T08:24:23Z
dc.date.available2025-06-16T08:24:23Z
dc.date.issued2025
dc.description.abstractОбсяг дипломної роботи становить 49 сторінок, вона містить 8 рисунків та 3 додатки. Для порівнянь і досліджень використано 19 джерел. У роботі запропоновано узгоджену методику порівняння алгоритмів машинного навчання – лінійної регресії, дерева рішень, випадкового лісу та градієнтного бустингу – з метою прогнозування врожайності зернових культур. Продемонстровано важливість налаштування гіперпараметрів для підвищення точності прогнозів. Також здійснено сценарне моделювання з урахуванням змін ключових кліматичних і водних показників на основі мультидоменного набору агрокліматичних індикаторів. Практичне значення дослідження полягає в тому, що розроблений підхід дає змогу об’єктивно оцінити ефективність моделей на основі історичних даних і формувати обґрунтовані прогнози врожайності за умов реалістичних сценаріїв мультифакторних змін, що сприятиме прийняттю зважених агрополітичних рішень і оптимізації розподілу ресурсів у сільському господарстві.
dc.description.abstractotherThe volume of the thesis is 49 pages and includes 8 figures and 3 appendices. A total of 19 sources were used for comparison and research. The study proposes a unified methodology for comparing machine learning algorithms – linear regression, decision tree, random forest, and gradient boosting – with the aim of forecasting grain crop yields. The importance of hyperparameter tuning for improving prediction accuracy is demonstrated. Scenario modeling was also conducted, taking into account changes in key climatic and hydrological indicators based on a multidomain set of agro-climatic features. The practical significance of the research lies in the fact that the developed approach enables an objective evaluation of model performance based on historical data and the generation of justified yield forecasts under realistic scenarios of multifactorial change. This contributes to more informed agricultural policy decisions and to optimizing resource allocation in the agricultural sector.
dc.format.extent49 с.
dc.identifier.citationРізниченко, А. С. Порівняння алгоритмів машинного навчання для прогнозування врожайності : дипломна робота ... бакалавра : 113 Прикладна математика / Різниченко Андрій Сергійович. – Київ, 2025. – 49 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74258
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування врожайності
dc.subjectмашинне навчання
dc.subjectлінійна регресія
dc.subjectдерево рішень
dc.subjectвипадковий ліс
dc.subjectградієнтний бустинг
dc.subjectметрики якості
dc.subjectгіперпараметричний пошук
dc.subjectсценарний прогноз
dc.subjectcrop yield forecasting
dc.subjectmachine learning
dc.subjectlinear regression
dc.subjectdecision tree
dc.subjectrandom forest
dc.subjectgradient boosting
dc.subjectperformance metrics
dc.subjecthyperparameter tuning
dc.subjectscenariobased forecasting
dc.titleПорівняння алгоритмів машинного навчання для прогнозування врожайності
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Riznychenko_bakalavr.pdf
Розмір:
1.25 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММАД)
Бакалаврські роботи