О применении алгоритмов машинного обучения для прогнозирования индекса качества жизни населения

   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.

1. Суворов А. В. Методологические проблемы прогнозирования уровня жизни населения // Проблемы прогнозирования. 2000. № 1. С. 22–38.

2. Деркаченко О. В. Кластеризация регионов России по качеству жизни населения и уровню цифровой экономики // Вопросы региональной экономики. 2020. № 2. С. 59–65. DOI: 10.21499/2078-4023-2020-43-2-59-65

3. Еникеева Л. А., Ширшикова М. С. Модели прогнозирования качества жизни на основе международных индексов // Современные проблемы науки и образования. 2015. № 1-1. С. 656–664.

4. Quality of life index by country // Numbeo. URL: https://www.numbeo.com/quality-of-life/rankings_by_country.jsp? (дата обращения: 01. 02. 2025).

5. Петрова Е. А. Управление качеством жизни населения региона: моделирование факторов внешней и внутренней среды // Вестник Волгоградского государственного университета. Серия 3: Экономика. Экология. 2018. Т. 20. № 1. С. 30–39. DOI: 10.15688/jvolsu3.2018.1.4

6. Lipesa B. A., Okango E., Omolo B. O., Omondi E. O. An application of a supervised machine learning model for predicting life expectancy // SN Applied Sciences. 2023. Vol. 5. No. 7. Article 189. DOI: 10.1007/s42452-023-05404-w

7. Щекотин Е. В., Гойко В. Л., Басина П. А., Бакулин В. В. Использование машинного обучения для изучения качества жизни населения: методологические аспекты // Цифровая социология. 2022. Т. 5. № 1. С. 87–97. DOI: 10.26425/2658-347X-2022-5-1-87-97

8. Чистяков С. П. Случайные леса : обзор // Труды Карельского научного центра Российской академии наук. 2013. № 1. С. 117–136.

9. Ротова О. М., Шибанова А. Д. Основные принципы метода линейной регрессии // Теория и практика современной науки. 2020. № 1. С. 483–487.

10. Дружков П. Н., Золотых Н. Ю., Половинкин А. Н. Реализация параллельного алгоритма предсказания в методе градиентного бустинга деревьев решений // Вестник Южно-Уральского государственного университета. Серия: Математическое моделирование и программирование. 2011. № 37. С. 82–89.

11. Пяткова А. А. Применение метода k-Nearest Neighbours к представлению гистограммных временных рядов // Достижения вузовской науки. 2014. № 8. С. 206–210.

12. Вэньлун И., Герасимов И. В., Кузьмин С. А., Хоцзяо Хэ, Хунюнь Ян. Применение метода опорных векторов для задачи восстановления регрессии в обработке данных листьев поливного риса // Известия СПбГЭТУ ЛЭТИ. 2016. № 2. С. 17–22.

13. SMOTE // Data Science. URL: https://datascience.eu/ru/программирование/smote/ (дата обращения: 01. 02. 2025).

14. Machine Learning in Python // Scikit-learn. URL: https://scikit-learn.org/ (дата обращения: 01. 02. 2025).

15. About pandas // Pandas. URL: https://pandas.pydata.org/about/ (дата обращения: 01. 02. 2025).

16. NumPy user guide // NymPy. URL: https://numpy.org/doc/stable/user/ (дата обращения: 01. 02. 2025).

17. Visualization with Python // Matplotlib. URL: https://matplotlib.org/ (дата обращения: 01. 02. 2025).

18. About SciPy // SciPy. URL: https://scipy.org/about/ (дата обращения: 01. 02. 2025).

19. Project Jupyter Documentation // Project Jupyter. URL: https://docs.jupyter.org/ (дата обращения: 01. 02. 2025).

20. GridSearchCV // Scikit-learn developers. URL: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html (дата обращения: 01. 02. 2025).

21. Noble J. What are ARIMA models? // IBM. URL: https://www.ibm.com/think/topics/arima-model (дата обращения: 01. 02. 2025).

22. How can we perform the Nemenyi Post-Hoc Test in Python? // Psychological Scales. URL: https://scales.arabpsychology.com/stats/how-can-we-perform-the-nemenyi-post-hoc-test-in-python/ (дата обращения: 01. 02. 2025).