Исследование моделей-классификаторов лесных машин на основе логистической регрессии

Целью исследования являлось развитие подхода к классификации лесных машин на основе методов машинного обучения, использующих кластеризацию данных и регрессионные модели-классификаторы. Для выполнения работы использованы сведения о характеристиках 39 моделей восьмиколесных форвардеров, выпускающихся фирмами Ponsse, Rottne, Komatsu, John Deere, HSM, Ecolog. Данные получены непосредственно с официальных веб-сайтов производителей и актуальны на 2023 год. Работа с данными выполнена на платформе Jupyter Notebook. В проведенных вычислительных экспериментах модель-классификатор на основе логистической регрессии оказалась способна с приемлемой точностью, на уровне 92–94%, определить принадлежность форвардера к одному из четырех классов, соответствующих меткам кластеров по алгоритму k- средних, при наличии информации о 14 паспортных параметрах машины. Модель-классификатор, использующая в качестве параметров 1–2 главные компоненты матрицы, составленной из значений 14 характеристик машин, способна классифицировать рассмотренные модели форвардеров по 3 классам с точностью на уровне 97–98%. Точность модели при классификации по 4 классам несколько ниже, ее оценка составляет 90–94%. Результаты вычислительного эксперимента показали, что использование логистических регрессионных моделей при подразделении форвардеров на число классов более 5 приводит к существенной потере точности классификации. Результаты оказались устойчивы при кросс-валидации, причем с высокой оценкой метрики качества. Перспектива дальнейшего исследования состоит в тестировании классификатора на модельных данных, а также в оценке чувствительности моделей к изменению параметров и разработке способа получения адекватной оценки недостающих значений признаков, например, на основе линейной регрессии.

1. Андронов А.В., Петросян С.С., Егорин А.А., Ильюшенко Д.А., Хитров Е.Г. Классификация форвардеров с использованием кластеризации данных об их эксплуатационных характеристиках // Resources and Technology. 2021. № 4. Т. 18. С. 1–16.

2. Федосеева М.А., Киселев П.С., Наганов А.С., Петросян С.С., Щукин А.В., Хитров Е.Г. Классификация колесных форвардеров 8х8 на основе кластерного анализа в пространстве главных компонент// Известия Санкт-Петербургской лесотехнической академии. 2023. Вып. 243. С. 240–252.

3. Официальный сайт компании Komatsu. URL: https://www.komatsuforest.com/forest-machines/our-forwarders (дата обращения: 01.08.2023).

4. Официальный сайт компании John Deere. URL: https://www.deere.com/en/forwarders/ (дата обращения: 01.08.2023).

5. Официальный сайт компании Ponsse. URL: https://www.ponsse.com/en/products/forwarders#/ (дата обращения: 01.08.2023)

6. Официальный сайт компании Ecolog. URL: https://ecologforestry.com/en/products/forwarders/ (дата обращения: 01.08.2023).

7. Официальный сайт компании HSM. URL: https://www.hsm-forest.net/forwarders.html (дата обращения: 01.08.2023).

8. Официальный сайт компании Rottne. URL: https://www.rottne.com/en/skogsmaskiner/skotare/ (дата обращения: 01.08.2023).

9. Сайт Machine Learning in Python. URL: https://scikit-learn.org/stable/modules/linear_model.html#logistic-regression (дата обращения: 01.08.2023).

10. Сайт Machine Learning in Python. URL: https://scikit-learn.org/stable/modules/clustering.html#k-means (дата обращения: 01.08.2023).

11. Сайт Machine Learning in Python. URL: https://scikit-learn.org/stable/modules/linear_model.html#using-cross-validation (дата обращения: 01.08.2023).

12. Nordfjell T., Öhman E., Lindroos O., Ager B. The technical development of forwarders in Sweden between 1962 and 2012 and of sales between 1975 and 2017 // International Journal of Forest Engineering, 2019. No 30:1. P. 1–13.