Аннотация. Применение моделей машинного обучения для анализа структурированных анкетных данных является одним из ключевых направлений развития аналитических систем, основанных на данных. Однако, несмотря на высокую точность прогнозирования многих классификационных алгоритмов, недостаточная интерпретируемость их решений ограничивает практическое применение. В этой связи актуальной задачей является комплексная оценка как производительности моделей, так и их интерпретируемости. В данной работе проведен сравнительный анализ классических классификаторов машинного обучения на основе структурированных анкетных данных. В исследовании рассмотрены модели логистической регрессии, k-ближайших соседей (kNN), дерева решений и Gaussian Naive Bayes. Обучение моделей осуществлялось на стратифицированных обучающих и тестовых выборках, а их эффективность оценивалась с использованием метрик Accuracy, Precision, Recall, F1-score, ROC-AUC и LogLoss. Помимо точности прогнозирования, проанализирована логика принятия решений моделей. Для этого применен метод объяснимого искусственного интеллекта SHAP (Shapley Additive Explanations). Результаты глобальной и локальной интерпретации показали, что прогнозы моделей формируются на основе совокупного влияния ключевых признаков. Экспериментальные результаты показали, что модель логистической регрессии является наиболее сбалансированной и надежной с точки зрения производительности и вероятностной калибровки. Кроме того, интерпретируемый анализ подтвердил, что решения модели основываются на значимых факторах данных. Полученные результаты могут быть использованы при разработке аналитических и систем поддержки принятия решений на основе структурированных данных.
Ключевые слова: машинное обучение, классификация, объяснимый искусственный интеллект, структурированные анкетные данные, логистическая регрессия, дерево решений, kNN, Naive Baye, SHAP.