Представлена в редакцию

R News, 2002, vol. 2, no. 3, 
pp. 18-22. 
14. Biau G., Scornet E. A random forest guided tour. TEST, 2016, vol. 25, no. 2, pp. 197-227.
DOI: 
10.1007/s11749-016-0481-7
  
15. Classification and regression trees / L. Breiman a.o.
Belmont, CA: Wadsworth Intern. Group, 
1984. 358 p. 
16. 
Safavian S., Landgrebe D.
A survey of decision tree classifier methodology.
IEEE Trans. on 
Systems, Man and Cybernetics, 1991, vol. 21, no. 3,
pp. 660-674. DOI: 
10.1109/21.97458
 
17. Raileanu L.E., Stoffel K.
Theoretical comparison between the Gini Index and Information Gain 
Criteria. Annals of Mathematics and Artificial Intelligence,
2004, vol. 41, no. 1,
pp. 77-93.
DOI: 
10.1023/B:AMAI.0000018580.96245.c6
 
18. Cresci S., Di Pietro R., Petrocchi M., Spognardi A., Tesconi M.
The paradigm-shift of social 
spambots: Evidence, theories, and tools for the arms race. 26
th 
 
intern. conf. on World Wide Web Companion: WWW’17 Companion (Perth, Australia, April 3-7, 
2017): Proc. N.Y.: ACM, 2017. Pp. 963-972. DOI: 
10.1145/3041021.3055135
 
19. Chao Yang, Harkreader R., Guofei Gu.
Empirical evaluation and new design for fighting evolv-
ing Twitter spammers. IEEE Trans. on Information Forensics and Security,
2013, vol. 8, no. 8, 
pp. 1280-1293.
DOI:
 
10.1109/TIFS.2013.2267732
 
20. Raschka S.
Model evaluation, model selection, and algorithm selection in machine learning / 
Univ. of Wisconsin–Madison; Dep. of Statistics. 2018.
Available at: 
https://sebastianraschka.com/pdf/manuscripts/model-eval.pdf
, accessed 13.04.2019. 
21. Kohavi R.
A study of cross-validation and bootstrap for accuracy estimation and model selec-
tion. 14
th 
Intern. joint conf. on artificial intelligence: IJCAI’95
(Montreal, Canada, August 20-
25, 1995):
Proc. N.Y.: ACM, 1995. Vol. 2. Pp. 1137–1143.
22. Hossin M., Sulaiman M.N.
A review on evaluation metrics for data classification evaluations. 
Intern. J. of Data Mining & Knowledge Management Process (IJDKP),
2015, vol. 5, no. 2, 
pp. 1-11. DOI: 
10.5121/ijdkp.2015.5201
 
23. Caelen O.
A Bayesian interpretation of the confusion matrix.
Annals of Mathematics and Artifi-
cial Intelligence, 2017, vol. 81, no. 3-4,
pp. 429-450. DOI: 
10.1007/s10472-017-9564-8
 
24. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., 
Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., 
Perrot M., Duchesnay E.
Scikit-learn: Machine learning in Python. The J. of Machine Learning 
Research, 2011, vol. 12,
pp. 2825-2830. 
25. Davis C.A., Varol O., Ferrara E., Flammini A., Menczer F. BotOrNot: A system to evaluate so-
cial bots. 25
th
 intern. conf. companion on World Wide Web: WWW’16 (Montreal, Canada, April 
11-15, 2016): Proc. N.Y.: ACM, 2016. Pp. 273-274. DOI: 
10.1145/2872518.2889302
 

---

Mechanical Engineering and Computer Science
 
41 
26. Miller Z., Dickinson B., Deitrick W., Wei Hu, Alex Hai Wang.
Twitter spammer detection using 
data stream clustering.
J. Information Sciences – Informatics and Computer Science, Intelligent 
Systems, Applications, 2014,
vol. 260, pp. 64-73.
DOI: 
10.1016/j.ins.2013.11.016
 
27. Cresci S., Di Pietro R., Petrocchi M., Spognardi A., Tesconi M.
DNA-inspired online behavioral 
modeling and its application to spambot detection. IEEE Intelligent Systems, 2016, vol. 31,
no. 5,
pp. 58-64. DOI: 
10.1109/MIS.2016.29