Представлена в редакцию

4. Результаты обучения и тестирования 
В данном разделе представлены результаты обучения алгоритма «Случайный лес» с 
подбором оптимальных гиперпараметров при помощи метода кросс-валидации по 10 бло-
кам, где в качестве метрики для оценки точности используется
мера. Данные были раз-
делены методом стратификации на две группы: тренировочные и тестовые (90% трениро-
вочных, 10% тестовых). На тренировочных данных происходит подбор оптимальных ги-
перпараметров, а на тестовых вычисляется значение точности модели, использующей эти 
гиперпараметры. 
Программное обеспечение, с помощью которого были реализованы описанные дей-
ствия, написано на языке программирования высокого уровня Python с использованием 
набора библиотек Python. Из используемых библиотек особенно стоит упомянуть библио-
теку машинного обучения scikit-learn [24], которая позволила выполнить поставленные 
задачи. Реализованная модель для распознавания ботов в онлайновой социальной сети 

---

Машиностроение и компьютерные технологии
 
33 
Twitter была выложена в сеть Интернет и доступна по URL-адресу: https://bot-
detect.herokuapp.com.В таблице Таблица 3 представлена зависимость
метрики от коли-
чества решающих деревьев и от максимальной глубины деревьев на тренировочных 
данных. 
Таблица 3. Зависимость значения метрики
от гиперпараметров при использовании метода кросс-
валидации 
1 
2 
3 
4 
5 
6 
7 
8 
9 
 
 
1 
0.761 
0.760 
0.813 
0.963 
0.950 
0.950 
0.955 
0.958 
0.958 
2 
0.959 
0.957 
0.960 
0.961 
0.964 
0.965 
0.963 
0.959 
0.953 
3 
0.761 
0.899 
0.953 
0.963 
0.965 
0.969 
0.967 
0.968 
0.969 
4 
0.962 
0.963 
0.961 
0.963 
0.966 
0.969 
0.968 
0.968 
0.970 
5 
0.780 
0.950 
0.955 
0.965 
0.967 
0.969 
0.970 
0.970 
0.971 
6 
0.898 
0.944 
0.961 
0.964 
0.967 
0.970 
0.969 
0.970 
0.971 
7 
0.956 
0.956 
0.962 
0.965 
0.967 
0.970 
0.969 
0.971 
0.971 
8 
0.904 
0.957 
0.964 
0.965 
0.967 
0.971 
0.970 
0.972 
0.972 
9 
0.775 
0.961 
0.963 
0.965 
0.968 
0.970 
0.971 
0.973 
0.972 
Как видно, наилучшие результаты достигаются при глубине дерева равном 8 и 
числе решающих деревьев равном 9. После обучения алгоритма на тренировочных дан-
ных с полученными оптимальными гиперпараметрами было произведено тестирование на 
тестовых данных и получено значение
метрики равное 0.972.