В статье рассмотрено исследование алгоритмов классификации в системах обработки заявок. Целью выполненного исследования является выбор наиболее подходящего алгоритма классификации для оптимизации системы обработки заявок. Определена область решаемых задач каждого алгоритма, выявлены их преимущества и недостатки, проведено имитационное моделирование алгоритмов классификации, оценивание моделей на основе различных показателей. В результате проведенного анализа математического аппарата алгоритмов обучения выделены алгоритмы обучения с учителем (Supervised Machine Learning, SML), которые используются для решения задачи классификации. Для обоснованного выбора подходящего алгоритма классификации проведено имитационное моделирование алгоритмов. Оценивались алгоритмы на основе пропускной способности, времени отклика и точности. Моделирование выполнено в системе RapidMiner, которая является средой для проведения экспериментов и решения задач интеллектуального анализа, визуализации и моделирования. В результате исследования оказалось, что наиболее подходящий алгоритм классификации для оптимизации системы обработки заявок – алгоритм «дерево решений» (decision tree). Для классификации заявок он может быть эффективным выбором для оптимизации процесса обработки за счет высокой точности и пропускной способности, легко интерпретируется для различных данных, требует небольшой и сравнительно простой предварительной обработки данных, а также способен обрабатывать как числовые, так и категориальные данные.
This study examines classification algorithms used in request-processing systems. The aim of the research is to identify the most suitable classification algorithm for optimizing the request-handling workflow. The scope of tasks addressed by each algorithm was defined, their advantages and limitations were analyzed, and simulation-based modeling and evaluation were conducted using multiple performance metrics. Based on an analysis of the mathematical foundations of learning algorithms, Supervised Machine Learning (SML) methods applicable to classification tasks were selected for further investigation. To justify the choice of an appropriate classification algorithm, simulation modeling was carried out with a focus on throughput, response time, and accuracy. The modeling was performed in RapidMiner, a platform designed for data mining, visualization, and simulation. The results show that the decision tree algorithm is the most suitable option for optimizing request-processing systems. Owing to its high accuracy and throughput, interpretability across different data types, minimal preprocessing requirements, and ability to handle both numerical and categorical variables, it proves effective for request classification.
1. Дорожко И.В., Осипов Н.А., Иванов О.А. Прогнозирование технического состояния сложных технических систем с помощью метода Берга и байесовских сетей // Труды МАИ. 2020. № 113. URL: http://trudymai.ru/published.php?ID=118181 (дата обращения: 16.11.2025).
2. Рассел С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг; Пер. с англ. 2-е изд. M.: Вильямс, 2016. 1408 с. ISBN 978-5-8459-1968-7.
3. Кохендерфер М., Уилер Т., Рэй К. Алгоритмы принятия решений / пер. с англ. В.С. Яценкова. М.: ДМК Пресс, 2023. 684 с. ISBN 978-5-93700-187-0.
4. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. М.: ДМК Пресс, 2017. 393 с. ISBN 978-5-9908910-8-1.
5. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с. ISBN 978-5-4461-0770-4.
6. Хардиков М.В., Иванов Т.К. Обучение с учителем и без учителя: основные отличия и примеры применения// Научный Лидер. 2024. №35 (185). URL: https://scilead.ru/article/7023-obuchenie-s-uchitelem-i-bez-uchitelya-osnovni (дата обращения: 21.11.2025).
7. Прадипта М. Объяснимые модели искусственного интеллекта на Python. Модель искусственного интеллекта / пер. с англ. С. В. Минца. М.: ДМК Пресс, 2022. 298 с. ISBN 978-5-93700-124-5.
8. Олейников А.А., Береснев И.А. Оценка состояния элементов систем передачи данных с применением нечетких нейронных сетей // Вестн. Астрахан. гос. техн. ун-та. Сер. управление, вычисл. техн. информ. 2020. № 4. С. 121–131.
9. Мартин О. Байесовский анализ на Python / пер. с анг. А.В. Снастина. М.: ДМК Пресс, 2020. 340 с. ISBN 978-5-97060-768-8.
10. Дорожко И.В., Иванов О.А. Модель системы поддержки принятия решений для диагностирования бортовых систем космического аппарата на основе байесовских сетей // Труды МАИ. 2021. № 118. URL: https://trudymai.ru/published.php?ID=158259 (дата обращения: 16.11.2025).
11. Фальк К. Рекомендательные системы на практике / пер. с англ. Д. М. Павлова. М.: ДМК Пресс, 2020. 448 с. ISBN 978-5-97060-774-9.
12. Джоши П. Искусственный интеллект с примерами на Python / Пер. с англ. СПб.: ООО «Диалектика», 2019. 448 с. ISBN 978-5-907114-41-8.
13. Сукар Л.Э. Вероятностные графовые модели. Принципы и приложения / пер. с англ. А.В. Снастина. М.: ДМК Пресс, 2021. 338 с.
14. Кошевой О.С. Модель логистической регрессии для прогнозирования использования населением портала государственных услуг // Государственное управление. Электронный вестник. 2021. № 86. С. 42–57. URL: https://spajournal.ru/index.php/spa/article/view/183 (дата обращения: 11.11.2025).
15. Степанов А.Г., Плотников Г.А., Васильева В.С. Подходы к определению средств для построения методики обучения работе с большими данными // Информатика и образование. 2021. № 4. С. 54–62. DOI: 10.32517/0234-0453-2021-36-4-54-62.
16. Никонорова М.Л. Компьютерная модель решения задач классификации в программной среде Rapid Miner // Медицинское образование и профессиональное развитие. № 2–3(28–29) 2017. С. 24-33. URL: https://cyberleninka.ru/article/n/kompyuternaya-model-resheniya-zadach-klassifikatsii-v-programmnoy-srede-rapid-miner (дата обращения: 12.11.2025).