ПРОГНОЗУВАННЯ ПАРАМЕТРIВ СНУ НА ОСНОВI МАТЕМАТИЧНОГО МОДЕЛЮВАННЯ ТА МАШИННОГО НАВЧАННЯ

Abstract

У роботi розглядається задача класифiкацiї якостi сну за допомогою алгоритмiв машинного навчання. Актуальнiсть теми зумовлена зростаючим iнтересом до iнструментiв цифрової медицини, якi дозволяють проводити оцiнку стану здоров’я людини на основi об’єктивних показникiв. Метою дослiдження є створення ефективної моделi, здатної здiйснювати прогноз рiвня Quality of Sleep на основi таких факторiв, як: вiк(Age), тривалiсть сну (Sleep Duration) та рiвень стресу (Stress Level). На початковому етапi було здiйснено комплексну пiдготовку даних, що включала видалення викидiв iз використанням методу мiжквартильного розмаху, стандартизацiю числових змiнних, кодування категорiальних ознак та побудову кореляцiйної матрицi. Такий пiдхiд забезпечив пiдвищення якостi навчальних даних та стабiльнiсть статистичних оцiнок. Далi набiр даних було роздiлено на навчальну та тестову вибiркиу спiввiдношеннi 80:20. З метою порiвняння ефективностi рiзних пiдходiв до класифiкацiї було реалiзовано чотири моделi: Logistic Regression, Random Forest, K-Nearest Neighbors та Support Vector Classifier. Гiперпараметри кожної моделi були пiдiбранi звикористанням методу GridSearchCV iз п’ятиразовою кросвалiдацiєю. Оцiнювання продуктивностi моделей здiйснювалося за метриками точностi (Accu-racy), прецизiйностi (Precision), повноти (Recall) та F1-мiри. Найвищу ефективнiстьпоказала модель Random Forest, яка досягла значення F1-мiри 0.9866. Подальший аналiз включав iнтерпретацiю ймовiрнiсних прогнозiв моделi та симуляцiю нових комбiнацiй вхiдних даних для оцiнки впевненостi прийнятих рiшень. Було встановлено, що бiльшiсть прогнозiв моделi мають середнiй або високий рiвень ймовiрностi, що свiдчить про її стабiльну роботу. Результати дослiдження демонструють доцiльнiсть використання алгоритмiв машинного навчання у завданнях монiторингу якостi сну та вiдкривають перспективи для подальшого вдосконалення моделi шляхом розширення набору ознак i джерел даних.