Интерпретация результатов регрессионного анализа по выбору оптимальных условий получения функциональных объектов
Аннотация. Работа раскрывает основные принципы, проектные решения и инструменты, которые легли в основу программной системы для анализа результатов реальных экспериментов на примере MIL-100(Fe) и проведения вычислительных экспериментов в химии и материаловедения. Акцент сделан на разнообразные методы регрессии, их применимость при анализе экспериментов, интерпретируемости результатов, выявления наиболее влиятельных характеристик объекта.
Ключевые слова: материаловедение, химия, регрессионный анализ, интерпретация результатов, эффективность методов, интерпретируемость, датасет, метрики качества, модели регрессии.
Список использованной литературы
1. SHAP Documentation: SHAP // https://shap.readthedocs.io/en/latest/index.html.
2. Logistic Regression: Scikit-learn // https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html.
3. Линейные модели: Scikit-learn // https://scikit-learn.ru/1-1-linear-models/.
4. XGBoost: Kaggle // https://www.kaggle.com/code/dansbecker/xgboost.
Целевые переменные – характеристики, для которых необходимо найти значимость других признаков для определения состава целевых. Множество реальных данных содержат категориальные признаки, которые не могут быть использованы напрямую. Для этого необходимо преобразовать категориальные признаки в числовые, чтобы модели могли их «обработать». Для каждой целевой переменной был проведен анализ по определению выборки, на которой будет обучаться модель. Далее была отобрана наиболее эффективная модель на основе метрик качества. Результатом исследования каждой интересующей нас характеристики была интерпретация наиболее значимых признаков путем определения веса каждого признака, тем самым, определяя вклад в формировании целевой переменной. Важно