Как можно прогнозировать системный эффект массированного применения инноваций методами машинного обучения?

Прогнозировать системный эффект массированного применения инноваций методами машинного обучения можно, например, с помощью следующих подходов:

• Модели линейной регрессии. 2 С их помощью можно выявлять общие тенденции динамики инновационных показателей за определённый временной интервал. 2 Например, можно узнать, является ли динамика инновационного процесса положительной или отрицательной в линейном приближении. 2
• Логистическая регрессия. 2 Этот алгоритм применяется для оценки вероятности некоторого события по значениям множества признаков. 2 Например, по входным параметрам объекта можно с определённой вероятностью определить, является он инновационно активным или нет. 2
• Метод к-ближайших соседей. 2 Основная цель метода — классифицировать объекты на основе схожих характеристик (например, функции расстояния). 2 В задачах исследования инноваций метод может быть задействован при разработке ключевых направлений кластерной политики государства, а также при мониторинге результатов деятельности инновационных кластеров. 2
• Метод опорных векторов. 2 Метод содержит целый набор алгоритмов, необходимых для решения задач классификации и регрессионного анализа. 2 В задачах исследования инноваций метод может быть использован при построении прогнозных моделей с небольшим набором исходных данных. 2
• Деревья решений. 2 Это инструмент для представления причинно-следственных связей. 2 В случае исследования инновационных процессов использование деревьев решений может дать, например, ответ, является предприятие инновационно активным или нет. 2
• Случайный лес. 2 Случайный лес состоит из ансамбля деревьев решений и позволяет обойти ограничения деревьев решений. 2 В контексте исследования инноваций модель случайного леса может быть задействована в поиске зависимостей и закономерностей у показателей инновационной деятельности и разделении различных параметров инновационной деятельности на группы по известному признаку. 2

Также для улучшения точности прогноза можно применять ансамблевые методы машинного обучения, объединяющие несколько моделей. 4