Аңдатпа. Құрылымдалған сауалнама деректерін талдауда машиналық оқыту модельдерін қолдану деректерге негізделген аналитикалық жүйелерді дамытуда маңызды бағыттардың бірі болып табылады. Алайда көптеген классификациялық алгоритмдер жоғары болжам дәлдігін көрсеткенімен, олардың шешім қабылдау логикасының жеткіліксіз түсіндірілетіндігі практикалық қолданылуын шектейді. Осыған байланысты құрылымдалған деректерді талдауда өнімділік пен интерпретациялану деңгейін бірлесе бағалау өзекті мәселе болып табылады. Бұл зерттеуде құрылымдалған сауалнама деректері негізінде классикалық машиналық оқыту классификаторларының салыстырмалы талдауы жүргізілді. Зерттеу барысында логистикалық регрессия, k-жақын көршілер (kNN), шешім ағашы және Gaussian Naive Bayes модельдері қарастырылды. Модельдер стратификацияланған оқыту және тестілеу жиынтықтарында оқытылып, олардың өнімділігі Accuracy, Precision, Recall, F1-score, ROC-AUC және LogLoss көрсеткіштері арқылы бағаланды. Модельдердің тек болжам дәлдігі ғана емес, шешім қабылдау логикасы да талданды. Осы мақсатта түсіндірілетін жасанды интеллект әдісі ретінде SHAP (Shapley Additive Explanations) қолданылды. SHAP негізіндегі жаһандық және локальды интерпретация нәтижелері модель болжамдары бірнеше негізгі белгілердің жиынтық әсеріне негізделетінін көрсетті. Эксперименттік нәтижелер логистикалық регрессия моделінің өнімділік пен ықтималдықтық калибрлеу тұрғысынан ең теңгерімді және сенімді әдіс екенін көрсетті. Сонымен қатар, түсіндірмелі талдау модель шешімдерінің деректердегі мағыналы факторларға сүйеніп қабылданатынын дәлелдеді. Ұсынылған нәтижелерді құрылымдалған деректерге негізделген аналитикалық және шешімдерді қолдау жүйелерін әзірлеуде қолдануға болады.

Түйін сөздер: машиналық оқыту, классификация, түсіндірілетін жасанды интеллект, құрылымдық сауалнама, логистикалық регрессия, шешім ағашы, kNN, Naive Bayes, SHAP.