7.2Задание 2 – Принцип «совместимости»
Применим принцип «совместимости», для чего разработаем предлагаемую (скорректированную) структуру системы согласно законам преобразования композиций систем: исходя из второго способа преобразования композиций (первый закон), добавим в систему следующие элементы другого качества внутренней формой прибавления (второй закон), то есть наращивание элементов происходит за счет синтеза новых [элементов] внутри системы (рисунок 7.1):
«применение методов бустинга» – ансамблевый метод машинного обучения, который последовательно объединяет множество «слабых» моделей (чаще всего небольших решающих деревьев) в одну мощную систему:
«применение LightGBM» – мгновенно обучает глубокие, асимметричные по листьям деревья, пропуская малозначимые строки и объединяя редкие признаки;
«применение CatBoost» – строит симметричные деревья с одинаковыми условиями на каждом уровне, автоматически превращая текстовые и категориальные данные в числа без риска исказить результаты;
«применение XGBoost» – последовательно строит сбалансированные по уровням деревья, используя строгую математическую регуляризацию для максимальной точности и защиты от переобучения на данных среднего размера;
«применение ансамблей сетей» – объединение нескольких нейронных сетей, которые либо каждая по-отдельности решает свою задачу, либо все вместе решают одну задачу и принимают коллективное решение.
Рисунок Error: Reference source not found.1 – Предлагаемая структура
Применение методов бустинга и ансамблей нейронных сетей позволит аппроксимировать сложную нелинейную зависимость «состав – свойство», что повысит скорость и точность прогнозирования, сократит количество физических исследований и снизит издержки медицинской промышленности.
7.3Задание 3 – Принцип «единства системы, цели и среды»
В рассматриваемой системе не соблюдается принцип «единства системы, цели и среды», так как цель системы – быстрый и точный прогноз свойств, и внешняя среда предъявляет требования к точности, скорости и надежности моделирования свойств, но текущая система неполностью соответствует этим требованиям. Варианты решения проблемы:
принцип «согласованности» – корректировка гиперпараметров моделей;
принцип «совместимости» – корректировка структуры добавлением бустинга, ансамблей нейронных сетей и методов интерпретации.
Выполнение принципа «совместимости» позволит достичь цели системы, так как разрешит несоответствие структуры системы требованиям среды.
8Вывод
В ходе практических работ мы провели системный анализ.
9Приложение
Статья «Physics-informed machine learning for oxide glass density prediction: An interpretable XGBoost framework»; «URL»: https://www.sciencedirect.com/science/article/pii/S0272884226040654 (дата обращения 24.10.2026).
«DeepSeek»;
«Gemini»;
Руслан.