OPTYMALIZACJA PROGNOZOWANIA SZEREGÓW CZASOWYCH: WYKORZYSTANIE MODELI UCZENIA MASZYNOWEGO W CELU ZWIĘKSZENIA DOKŁADNOŚCI PREDYKCYJNEJ

Zaangażowanie w działalność inwestycyjną odgrywa kluczową i strategiczną rolę we wspieraniu rozwoju przedsiębiorstw i zapewnianiu ich stabilności na rynku. Zaangażowanie to pociąga za sobą wydatki na nabycie aktywów, wdrażanie postępu technologicznego, zwiększanie zdolności produkcyjnych, prowadzenie badań i rozwoju oraz wiele innych obszarów. Łącznie aspekty te stanowią podstawę trwałego sukcesu organizacji w perspektywie długoterminowej. Niniejsza rozprawa dotyczy wykorzystania technik uczenia maszynowego do prognozowania kluczowych parametrów w biznesie, w tym inwestycji i ich wpływu na kondycję finansową firmy. W tym artykule zbadano różne modele szeregów czasowych i stwierdzono, że zarówno modele Random Forest Regressor, jak i Decision Tree Regressor zapewniają najwyższą dokładność, wykazując identyczne wartości RMSE wynoszące 88,36 w zbiorze danych walidacyjnych. Co więcej, modele Cat Boost i Light GBM wykazały się godną pochwały wydajnością, rejestrując wartości RMSE odpowiednio 92,47 i 104,69. Wyniki te podkreślają solidną wydajność regresorów Random Forest Regressor i Decision Tree Regressor, podkreślając ich zdolność do dostarczania dokładnych prognoz. Należy zauważyć, że Random Forest Regressor i Decision Tree Regressor wyróżniają się wysoką dokładnością w prognozowaniu szeregów czasowych, a wybór między nimi powinien uwzględniać kompromisy między wydajnością obliczeniową a interpretowalnością modelu. Wyniki te pozwalają nam zaproponować praktyczne strategie zarządzania zasobami inwestycyjnymi w celu zapewnienia zrównoważonego rozwoju i dobrobytu przedsiębiorstwa w perspektywie długoterminowej.