Модели машинного обучения для определения значений ненаблюдаемых параметров, связанных с центральностью, для широкого спектра ядерных систем при энергии 200 ГэВ

В работе проведен сравнительный анализ и поиск оптимальной модели машинного обучения, которая позволила бы предсказывать значения ненаблюдаемых величин, характеризующих центральность, основываясь на экспериментальных данных для наблюдаемых величин: числа заряженных частиц и числа нейтральных частиц, рождающихся во взаимодействии как тяжелых, так и легких ультрарелятивистских ядер. Искомыми ненаблюдаемыми величинами были число раненых нуклонов, участвующих во взаимодействии, и число бинарных нуклон-нуклонных столкновений. В качестве моделей машинного обучения были выбраны и рассмотрены линейная и полиномиальные регрессии различных степеней, дерево решений (ДР), случайный лес (СЛ) и многослойный перцептрон (МП). Точность предсказания моделей характеризовалась и проверялась коэффициентом детерминации. Установлено, что модели ДР, СЛ и МП с наибольшей точностью предсказывают искомые значения, т. е. дают одинаково хорошие результаты.