Інтелектуальна система класифікації екологічних показників з врахуванням дисбалансу класів

Abstract

Актуальність даного дослідження полягає у необхідності підвищення точності автоматизованого аналізу екологічних даних та раннього виявлення небезпечних станів довкілля. Сучасні системи моніторингу часто стикаються з проблемою дисбалансу класів, що ускладнює коректне розпізнавання рідкісних, але критично важливих екологічних відхилень. Використання методів машинного навчання у поєднанні з ефективними способами балансування вибірки дає можливість підвищити якість класифікації та забезпечити більш надійну підтримку прийняття рішень у сфері екологічної безпеки. Об’єктом дослідження є процес класифікації екологічних показників якості. Предметом дослідження є методи машинного навчання, орієнтовані на класифікацію екологічних даних із урахуванням дисбалансу класів. Метою дослідження є розробка інтелектуальної системи класифікації якості екологічних показників на основі їх параметрів з урахуванням дисбалансу класів для підвищення точності розпізнавання небезпечних станів. У результаті виконання роботи було застосовано методи статистичного аналізу, алгоритми препроцесінгу даних, способи балансування вибірки, алгоритми машинного навчання та методи оцінювання моделей, стійкі до дисбалансу. Проведено порівняльний аналіз моделей та визначено оптимальні підходи до класифікації екологічних показників у задачах із високою нерівномірністю розподілу класів. Практичну реалізацію системи виконано у середовищі RStudio. Дана робота складається з чотирьох розділів. Кожен розділ відповідно присвячений: аналізу предметної області та проблеми дисбалансу класів; методам препроцесінгу, очищення та балансування екологічних даних; дослідженню алгоритмів машинного навчання, чутливих до дисбалансу, та методів оцінювання моделей; практичній реалізації інтелектуальної системи, проведенню експериментів та аналізу отриманих результатів. The relevance of this research lies in the need to improve the accuracy of automated analysis of environmental data and the early detection of hazardous environmental conditions. Modern monitoring systems often face the problem of class imbalance, which complicates the correct recognition of rare but critically important environmental anomalies. The use of machine learning methods in combination with effective sampling balancing techniques makes it possible to increase classification quality and ensure more reliable decision-making support in the field of environmental safety. The object of the study is the process of classifying environmental quality indicators. The subject of the study is machine learning methods aimed at classifying environmental data with consideration of class imbalance. The purpose of the study is to develop an intelligent system for classifying environmental quality indicators based on their parameters, taking into account class imbalance, in order to improve the accuracy of detecting hazardous conditions. In the course of the work, methods of statistical analysis, data preprocessing algorithms, sampling balancing techniques, machine learning algorithms, and model evaluation methods resistant to class imbalance were applied. A comparative analysis of models was conducted, and optimal approaches for classifying environmental indicators in tasks with a highly imbalanced class distribution were identified. The practical implementation of the system was carried out in the RStudio environment. This work consists of four chapters. Each chapter is devoted respectively to: the analysis of the subject area and the problem of class imbalance; methods of preprocessing, cleaning, normalization, and balancing environmental data; the study of machine learning algorithms sensitive to class imbalance and methods for evaluating model performance; the practical implementation of the intelligent system, experiments, and analysis of the obtained results.