Научный архив: статьи

Технологии машинного обучения являются достаточно мощным инструментом анализа больших данных, поэтому могут быть применены в российских регионах для разработки стратегии инновационного развития промышленности.

Для сравнения результатов качества прогнозирования и выбора наиболее оптимального метода на примере радиоэлектронной промышленности (РЭП) применен способ «машинного обучения k-ближайших соседей», нейронные сети «многослойный персептрон» и адаптивная нейро-нечеткая система вывода, включающая в себя алгоритм роя частиц, а также многомерные адаптивные регрессионные сплайны.

В качестве целевых функций рассмотрены: 1) объем инновационных товаров; 2) разработанные передовые производственные технологии; 3) сальдированный финансовый результат (информатизация и связь).

Представленная модель прошла обучение на основе выборки пакета девяти входных и трех целевых показателей в период с 2010 по 2022 г. для 83 регионов России. Для последующей верификации обученной модели оставлен 2023 г. выборки. Наиболее качественный прогноз был получен с помощью алгоритма машинного обучения k-ближайших соседей.

При проведении оценки было установлено, что перспективы инновационного развития в отрасли имеют те регионы, у которых значения прогнозных целевых функций попадают в плановые сегменты в 2023 г. Оценка проводилась лишь в тех регионах, для которых прогноз считался наиболее качественным, т. е. средняя абсолютная процентная ошибка < 0,5, это - Краснодарский и Пермский край, Нижегородская, Свердловская, Челябинская и Новосибирская области.

При выполнении подобного анализа для алгоритмов многомерных адаптивных регрессионных сплайнов (для цели 3), роя частиц (для цели 2), многослойных персептронов (для цели 1), было установлено, что претендующими на лидерство в отрасли РЭП имеют Нижегородская и Свердловская области, что частично подтверждает выводы, полученные с помощью способа машинного обучения.