Створення ефективного каскадно-ітеративного алгоритму для прогнозування вартості автомобіля

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Павлічко Владиславом Тарасовичем. Тема “Створення ефективного каскадноітеративного алгоритму для прогнозування вартості автомобіля”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є реалізація запропонованого каскадноітеративного рішення для отримання прогнозованої ціни автомобіля. Об’єктом дослідження є процес аналізу вхідних даних, аналіз застосованих методів машинного і глибинного навчання, їхній вплив на результати запропонованого підходу і безпосередньо оцінка придатності використання даної моделі для передбачення ціни автомобіля у повсякденному житті. Робота включає дослідження актуальних методів машинного навчання, таких як XGBoost, LGBM та нейронні мережі, і порівняння їх із запропонованим каскадно – ітеративним алгоритмом. Для реалізації запропонованого рішення дана робота аналізує і використовує такі алгоритми кластеризації як K-means і DBSCAN. Алгоритм складається з двох основних компонентів: кластеризації для визначення подібних груп автомобілів і моделі прогнозування, що оцінює вартість, враховуючи додаткові ознаки, сформовані в процесі кластеризації. Результатом виконання дипломної роботи є програмний продукт, який використовує і порівнює моделі машинного навчання, включаючи запропонований каскадно – ітеративний алгоритм. Для зручності використання, даний підхід буде реалізовано як окремий модуль, що надасть можливість гнучко комбінувати моделі, і отримувати результати при введених вхідних даних. Для даної роботи створена і опублікована публікація – “Передбачення ціни автомобіля з використанням каскадно –ітеративного підходу” [1]. Загальний обсяг роботи: 81 сторінка, 52 рисунки, 28 посилань. The master's qualification work was completed by Pavlichko Vladyslav Tarasovych, a student of the KNSSh-21 group. The topic is "Creating an effective cascade-iterative algorithm for predicting the value of a car." The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The aim of the work is to implement the proposed cascade-iterative solution for obtaining the predicted price of the car. The object of the study is the process of input data analysis, the analysis of applied machine and deep learning methods, their impact on the results of the proposed approach, and directly assessing the suitability of using this model for predicting the price of a car in everyday life. The work includes an investigation of current machine learning methods, such as XGBoost, LGBM, and neural networks, and their comparison with the proposed cascade iterative algorithm. During the development of this work and proposed solution, this work analyzes and uses such clustering algorithms as K-means and DBSCAN. The algorithm consists of two main components: clustering step which is dedicated to identifying similar groups of cars and a forecasting step which uses forecasting algorithm that estimates the cost, taking into account additional features formed in the clustering process. The result of the work is a software product that uses and compares machine learning models, including the proposed cascade-iterative algorithm. For future development and possibility of integreations, this approach will be implemented as a separate module that will provide an opportunity to easily combine models and obtain results with input data. Publication created for this work – “Car price prediction using cascade – iterative approach”. The total volume of the work: 81 pages, 52 figures, 28 references.