ЕКСПЕРИМЕНТАЛЬНЕ ДОСЛІДЖЕННЯ КЛАСИФІКАЦІЇ СНАРЯДІВ ЗА ДОПОМОГОЮ RANDOM FOREST І SVC

Анотація

Задача класифікації снарядів є важливою для безпечної та ефективної утилізації боєприпасів та планування військових операцій. В цій роботі розглядається порівняння значення точності двох моделей машинного навчання – Random Forest та SVC - у класифікації снарядів на шість класів (А – (а-боєприпаси), А/М – (а/м-боєприпаси, А/Р – (бронебійні), А/РС – (бронебійно-набивні), М – (m-боєприпаси), Р – (бронебійні боєприпаси)) з компонентами вектора вхідних ознак (x1 - position_x1, x2 - position_y1, x3 - position_h1, x4 – velocity, x5 - taget_class, x6 - explosion_x2, x7 - explosion_y2, x8 - explosion_h2, x9 – hour, x10 – minute, x11 – second, x12 - angle_big_tick, x13 - angle_small_tick, x14 - angle_degrees, x15 - angle_rotation_degrees, x16 - distance_2d, x17 - distance_3d, x18 - flight_time).

Класифікація снарядів здійснювалася за допомогою Random Forest з параметрами: 100 дерев у ансамблі (n_estimators), максимальна глибина дерев (max_depth) — 4, мінімальна кількість зразків для листка (min_samples_leaf) — 1, мінімальна кількість зразків для поділу вузла (min_samples_split) — 5. Гіперпараметри оптимізовано за допомогою GridSearchCV. Дослідження показали, що збільшення кількості дерев підвищує стійкість моделі, але після певного рівня точність стабілізується. Занадто глибокі дерева призводять до перенавчання, а занадто мілкі — до недостатньої складності.

Класифікація за допомогою SVC здійснювалася з використанням RBF-ядра, коефіцієнта регуляризації (C) = 1.0 і параметра γ = 0.1. Оптимізація цих параметрів покращила точність поділу вхідного простору, забезпечивши баланс між перенавчанням і недонавчанням. Параметр C значно впливає на чутливість моделі, а оптимальне значення γ підвищує здатність моделі розрізняти класи.