Подробное описание документа

   Бинарная классификация изображений: оценка эффективности алгоритмов Random Forest, Gradient Boosting и XGBoost / Широкова Е. В., Джанаев К. С., Тихонов Н. А., Павлов И. В. // Наукоёмкие технологии в приборо- и машиностроении и развитие инновационной деятельности в вузе : материалы Региональной научно-технической конференции, Калуга, 15-17 апреля 2025 года : в 2 т. / МГТУ им. Н. Э. Баумана (национальный исследовательский университет). - 2026. - Т. 1. - С. 371-375.

Проведен сравнительный анализ алгоритмов машинного обучения для задач бинарной классификации изображений. Для оценки качества моделей используются метрики Accuracy, ROC-AUC и F1-score, а для выбора оптимального алгоритма применяются критерии Лапласа, Вальда, Гурвица и Сэвиджа. Рассмотрены три метода — Random Forest, Gradient Boosting и XGBoost. Проведены эксперименты на трех наборах данных: MNIST, Fashion MNIST и Dogs vs Cats. Полученные результаты демонстрируют адаптацию методов к различным данным, позволяя выявить их преимущества и недостатки.
Ключевые слова: бинарная классификация, машинное обучение, Random Forest, Gradient Boosting, XGBoost