Хакимджон Иномджонович Аминов, доктор экономических наук, доцент, доцент кафедры
кафедра информационных систем и технологий
191023; наб. канала Грибоедова, д. 30–32а; Санкт-Петербург
Khakimdzhon I. Aminov, D.Sc. in Economics, Associate Professor, Associate Professor at the Department
Department of Information System and Technologies
191023; 30–32 Griboedov Channel Emb.; St. Petersburg
Анастасия Владиславовна Кардаш, аналитик данных
199004; Средний пр. В. О., д. 38, корп. 1, лит. К; Санкт-Петербург
Anastasiya V. Kardash, data analyst
199004; 38/1 Sredny Ave V.I.; St. Petersburg
Цель. Исследовать возможности применения различных алгоритмов машинного обучения для прогнозирования индекса качества жизни населения.
Задачи. Разработать прогнозные модели для анализа индекса качества жизни населения выбранных стран (России, Германии, Индии, Нидерландов), используя различные алгоритмы машинного обучения на основе исторических данных веб-сайта Numbeo с 2012 по 2025 гг.; систематизировать и провести анализ полученных результатов моделей машинного обучения для указанных государств.
Методология. В процессе исследования применены такие модели машинного обучения, как случайный лес, линейная регрессия, градиентный бустинг, k-ближайших соседей и метод опорных векторов. Прогнозирование индекса качества жизни населения основано на данных о социально-экономических факторах для различных стран, представленных в базе данных Numbeo.
Результаты. Проведен сравнительный анализ результатов прогнозирования индекса качества жизни населения выбранных стран с использованием алгоритмов машинного обучения на базе исторических данных с 2012 по 2025 гг. Особое внимание уделено настройке гиперпараметров моделей и кросс-валидации для повышения точности предсказаний. Анализ свидетельствует о том, что наиболее достоверные результаты можно получить с применением ансамбля моделей машинного обучения без учета прогнозов линейной регрессии.
Выводы. Выполненные расчеты показали, что модель градиентного бустинга демонстрирует наилучшие результаты. Однако для улучшения точности и уменьшения отклонений рекомендуется использовать ансамбль моделей. Применение машинного обучения в прогнозировании открывает новые возможности для разработки социальных государственных программ, направленных на улучшение качества жизни населения.
Aim. The work aimed to investigate the possibilities of applying various machine learning algorithms to forecast the quality of life index of the population.
Objectives. The work seeks to develop predictive models for analyzing the quality of life index of the population of selected countries (Germany, India, the Netherlands, Russia) using various machine learning algorithms based on historical data from the Numbeo website from 2012 to 2025; as well as to systematize and analyze the results of machine learning models for these countries.
Methods. The study used machine learning models such as random forest, linear regression, gradient boosting, k-nearest neighbors, and support vector machine. Forecasting the quality of life index of the population is based on data on socio-economic factors for various countries presented in the Numbeo database.
Results. A comparative analysis of the results of forecasting the quality of life index of the population of selected countries was performed using machine learning algorithms based on historical data from 2012 to 2025. Particular attention is paid to adjusting the hyperparameters of the models and cross-validation to improve the accuracy of predictions. The analysis demonstrated that the most reliable results can be obtained using an ensemble of machine learning models without taking into account linear regression forecasts.
Conclusion. The calculations performed revealed that the gradient boosting model demonstrates the best results. However, in order to improve accuracy and reduce deviations, it is recommended to use an ensemble of models. The use of machine learning in forecasting offers new opportunities for the development of social government programs aimed at improving the quality of life of the population.
The authors declare that there are no conflicts of interest present.