ОБРАБОТКА МЕТАЛЛОВ Том 28 № 2 2026 328 МАТЕРИАЛОВЕДЕНИЕ Рис. 7. Сводный график SHAP Fig. 7. SHAP summary plot Рис. 8. Кривые обучения Fig. 8. Learning curves ратуры и толщины в исследованном диапазоне также подтверждает их ограниченную роль. Эти результаты согласуются с другими исследованиями, которые определили свойства материала и условия нагружения в качестве основных факторов, влияющих на износ [16, 25]. SHAP-анализ (рис. 7) позволяет детально проанализировать вклады отдельных признаков. Покрытия TiC и CrN демонстрируют положительные значения SHAP, указывая на более высокую интенсивность изнашивания, тогда как AlTiN показывает отрицательные вклады, что вновь подтверждает его превосходство. Контактная нагрузка оказывает положительный, но немонотонный эффект на износ. Толщина также демонстрирует немонотонное поведение, что предполагает существование оптимального диапазона толщин. Физически это объясняется балансом между эффектами подложки (для тонких покрытий) и остаточными напряжениями (для толстых покрытий) [23]. Высокая согласованность между результатами SHAP, коэффициентами RSM и анализом Taguchi обеспечивает надежную перекрестную проверку и повышает уверенность в физической значимости полученных результатов. Анализ кривых обучения (рис. 8) показывает, что производительность модели увеличивается с ростом размера обучающей выборки без признаков насыщения. Разница между тренировочной и проверочной производительностью постепенно сокращается, что указывает на потенциал дальнейшего повышения обобщающей способности при увеличении объема данных. Экстраполяция позволяет предположить, что добавление 30–50 наблюдений могло бы повысить CV R2 выше 0,85, подчеркивая важность расширения набора данных для улучшения точности прогнозирования. Использование 200 деревьев всего на 28 наблюдениях требует тщательного рассмотрения риска переобучения. Был принят ряд мер предосторожности: – пятикратная перекрестная проверка обеспечивает несмещенную оценку производительности на данных, не участвовавших в обучении; – скорость обучения консервативно установлена на уровне 0,05, что требует многих итераций для сходимости и, таким образом, действует как неявная регуляризация; – максимальная глубина деревьев ограничена (6 для градиентного бустинга, 15 для случайного леса), чтобы предотвратить запоминание отдельных образцов. Анализ чувствительности по отношению к количеству деревьев не проводился; в будущих работах следует систематически оценивать влияние размера ансамбля на прогностическую стабильность для небольших трибологических наборов данных. Более простые линейные модели с регуляризацией (LASSO, Ridge, Elastic Net) не были включены в настоящее исследование, поскольку основное внимание уделялось ансамблевым методам на основе деревьев; их включение в будущих сравнительных исследованиях желательно.
RkJQdWJsaXNoZXIy MTk0ODM1