в статье приводится сравнение результатов применения ансамблевых методов машинного обучения для решения задачи прогнозирования завершения периода заморозков. Дано краткое описание ансамблевых методов. Представлены результаты исследования зависимости влияния различных наборов гиперпараметров и входных данных на обучение оптимальной модели. Сделаны выводы о качестве получаемых моделей с помощью различных вариаций градиентного бустинга, случайного леса и линейной модели. В работе приведены результаты применения библиотек, реализующих методы машинного обучения: XGBoost, LightGBM, CatBoost, Random Forest (scikit-learn), логистическая регрессия.

we studied the performance of ensemble machine learning methods for predicting the end of the frost period. We provided a brief overview of the considered ensemble approaches and investigated how different hyperparameter settings and input data configurations affect model training. We applied several tools, including gradient boosting methods (XGBoost, LightGBM, and CatBoost), random forest (scikit-learn), and logistic regression (scikit-learn), compared the resulting models, and assessed their predictive quality. The results show differences in performance across methods and highlight the impact of hyperparameter tuning and input data selection on prediction accuracy.