Методы восстановления пропусков в наборах данных для машинного обучения

Данная курсовая работа посвящена изучению методов восстановления пропусков в наборах данных, используемых в машинном обучении. В работе рассматриваются различные подходы к заполнению недостающих значений, включая метод k ближайших соседей (kNN), а также множество других алгоритмов, таких как случайный лес и логистическая регрессия. Также исследуется влияние различных методов на качество модели в зависимости от характера данных и специфических задач. Актуальность исследования обусловлена необходимостью повышения точности машинного обучения при работе с неполными данными. Результаты демонстрируют эффективность различных подходов, их преимущества и недостатки в конкретных сценариях.

Продукт

Практическая часть будет включать реализации алгоритмов восстановления пропусков с использованием Python и библиотек машинного обучения, а также оценку их эффективности по конкретным наборам данных.

Актуальность

Актуальность исследования обусловлена ростом использования машинного обучения в различных областях, где наличие неполных данных является распространенной проблемой. Эффективные методы восстановления пропусков необходимы для повышения качества моделей и принятия решений на основе данных.

Цель

Цель работы заключается в анализе и оценке различных методов восстановления пропусков в наборах данных для машинного обучения.

Задачи

1. Изучить существующие методы восстановления пропусков. 2. Реализовать выбранные методы с использованием языка программирования Python. 3. Сравнить результаты и эффективность различных подходов. 4. Подготовить рекомендации по выбору методов в зависимости от типа данных.

Предпросмотр документа

Наименование образовательного учреждения

Выполнил:ФИО

Руководитель:ФИО