СТРАТЕГІЇ АНСАМБЛЕВОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ УСПІШНОСТІ СТУДЕНТІВ: ПОРІВНЯЛЬНА ТА ІНТЕРАКТИВНА СТРУКТУРА

Анотація

Ансамблеві методи машинного навчання є одним із найбільш ефективних напрямів побудови інтелектуальних систем аналізу даних, оскільки забезпечують підвищення точності, стійкості та узагальнювальної здатності моделей у задачах класифікації та регресії. Актуальність дослідження зумовлена тим, що сучасні прикладні набори даних часто характеризуються високою розмірністю ознак, наявністю шумів, пропущених значень, викидів і дисбалансу класів, що ускладнює застосування окремих алгоритмів машинного навчання та знижує надійність прогнозування. У статті досліджено теоретичні та практичні засади застосування ансамблевих підходів, зокрема bagging, boosting, voting і stacking, з акцентом на їхню роль у підвищенні якості моделювання та зменшенні ризику перенавчання. Особливу увагу приділено стекінгу як гнучкій стратегії інтеграції різнорідних базових моделей за допомогою метамоделі. Практичну частину роботи присвячено розробці інтерактивного web-інтерфейсу для дослідження ансамблевих методів на прикладі задачі оцінки успішності студентів. У межах запропонованого підходу реалізовано дві стратегії моделювання: пряму багатокласову класифікацію на дискретизованій цільовій змінній та регресію з подальшою категоризацією прогнозованих значень. Для побудови моделей використано алгоритми Random Forest, XGBoost, Ridge Regression, а також ансамблеві схеми Voting і Stacking. Якість класифікаційних моделей оцінювалася за метриками Accuracy, Precision, Recall, F1-score та Balanced Accuracy, а регресійних – за показниками MAE, MSE, RMSE і R2. У роботі також враховано етапи попередньої обробки даних, крос-валідації та оптимізації гіперпараметрів, що дозволило підвищити відтворюваність і надійність результатів. Розроблений web-інтерфейс забезпечує поетапне завантаження даних, налаштування параметрів обробки, навчання моделей, аналіз метрик і візуалізацію результатів, що сприяє прозорості експериментування та зручності порівняння різних ансамблевих стратегій. Запропонований підхід є практично придатним для освітніх і дослідницьких задач та може бути використаний як інструмент підтримки прийняття рішень у задачах прогнозування на основі табличних даних.