OBRABOTKAMETALLOV Vol. 28 No. 2 2026 327 MATERIAL SCIENCE Т а б л и ц а 5 Ta b l e 5 Метрики перекрестной проверки и обучения на полных данных (модели ML) Cross-validated vs. full-data metrics (ML models) Модель Средний CV R2 R 2 на полных данных Средняя RMSE Средняя MAE Градиентный бустинг 0,6467 0,9132 0,00984 0,00833 Случайный лес 0,7551 0,8776 0,00757 0,00641 AdaBoost 0,6972 0,9019 0,00865 0,00712 полном наборе данных (R2 = 0,9132), поэтому он наиболее подходит для задач оптимизации. AdaBoost занял промежуточное положение, показав стабильные результаты. Это подтверждает применимость ансамблевых методов для трибологических задач с ограниченным объемом данных, где надежность и контроль дисперсии имеют первостепенное значение [25, 28]. Важно отметить, что модели машинного обучения демонстрируют более высокую обобщающую способность при перекрестной проверке по сравнению с RSM, которая, в свою очередь, лучше аппроксимирует данные внутри выборки. Это отражает дополнительные преимущества гибридного подхода к моделированию. Анализ остатков модели градиентного бустинга (рис. 5) показывает, что их распределение симметрично относительно нуля без признаков Рис. 5. График остатков (модель градиентного бустинга) Fig. 5. Residual plot (Gradient boosting model) гетероскедастичности или систематического смещения, что говорит об адекватности модели. Тенденция к кластеризации остатков в области низких значений интенсивности изнашивания объясняется тем, что в этой области преобладают данные для покрытия AlTiN. Аналогично диагностика остатков RSM подтверждает выполнение допущений о нормальности и независимости, что указывает на способность обеих моделей адекватно описывать структуру данных. На рис. 6 показано, что наиболее важным фактором, определяющим интенсивность изнашивания, является контактная нагрузка, за которой следует химический состав покрытия. Этот вывод согласуется с результатами анализа Taguchi и дисперсионного анализа, что демонстрирует высокую согласованность между методологиями. Невысокая значимость темпеРис. 6. Оценка важности признаков по критерию Джини (Gini importance) для модели градиентного бустинга Fig. 6. Gini-based feature importance scores
RkJQdWJsaXNoZXIy MTk0ODM1