У роботі досліджується проблема прогнозування успішності виконання IT-проєктів. З метою підвищення ефективності планування та оптимізації ресурсів було застосовано сучасні методи машинного навчання.
Основна увага приділена побудові та порівнянню моделей дерев рішень, лісів рішень (Random Forest) і підсилених дерев (Boosted Trees). Для оцінки якості моделей використовувалися ключові метрики: R-squared (R²), Mean Absolute Error (MAE) та Mean Squared Error (MSE).
Результати експериментального дослідження показали, що моделі Boosted Trees забезпечують найвищу точність прогнозування термінів виконання задач, досягаючи R² = 0.99. Також підтверджено, що використання технік автооптимізації та ранньої зупинки дозволяє уникнути перенавчання й зменшити час навчання моделей. Запропоновані моделі можуть бути інтегровані в системи управління проєктами для автоматизації процесу оцінки термінів, що сприятиме вчасному виявленню ризиків затримок і підвищенню загальної ефективності командної роботи.
The paper investigates the problem of predicting the success of IT projects. In order to increase the efficiency of planning and resource optimization, modern machine learning methods were applied.
The main attention is paid to the construction and comparison of decision tree models, decision forests (Random Forest) and boosted trees (Boosted Trees). To assess the quality of the models, key metrics were used: R-squared (R²), Mean Absolute Error (MAE) and Mean Squared Error (MSE).
The results of the experimental study showed that Boosted Trees models provide the highest accuracy in predicting task completion times, reaching R² = 0.99. It has also been confirmed that the use of auto-optimization and early stopping techniques avoids overtraining and reduces model training time. The proposed models can be integrated into project management systems to automate the process of estimating deadlines, which will help to identify risks of delays in a timely manner and increase the overall efficiency of teamwork.
