Статья посвящена построению прикладных моделей машинного обучения, предназначенных для прогнозирования важных параметров системы безопасности исправительного учреждения. На основе открытых данных, содержащих сведения об учреждениях пенитенциарной системы США, разработана предсказательная модель машинного обучения, осуществляющая бинарную классификацию учреждений по уровню безопасности в зависимости от типа учреждения, лимита его наполнения и некоторых других параметров. Наилучшие оценки качества модели показаны на основе ансамблей с реализацией в библиотеке CatBoost на решающих деревьях с поддержкой категориальных признаков. Приведены возможные обобщения полученных результатов на задачи получения оценок защищенности системы охраны отечественных пенитенциарных учреждений, включая аналитическую модернизацию процедуры категорирования объектов охраны.

Коротеев М. В. Основы машинного обучения на Python. Москва: КноРус, 2024. 431 с.
Минбалеев А. В. Регулирование использования искусственного интеллекта в России. Информационное право, 2020, № 1, с. 36–39. EDN: YTFSNY
Пекарева В. В., Фроловская Ю. И. Искусственный интеллект в уголовно-исполнительной системе. Право и государство: теория и практика, 2024, № 10 (238), с. 329–331. https://doi.org/10.47643/1815-1337_2024_10_329; EDN: QMIVZX
Рычаго М. Е. Информационный вес тревожного сообщения как показатель эффективности технического средства обнаружения. Вестник Череповецкого государственного университета, 2024, № 5 (122), с. 74–83. https://doi.org/10.23859/1994-0637-2024-5-122-7; EDN: VEQISY
Рычаго М. Е. Некоторые возможные постановки задачи машинного обучения в уголовно-исполнительной системе. Пенитенциарное право: юридическая теория и правоприменительная практика, 2024, № 1 (39), с. 92–97. EDN: LWHNXH
Рычаго М. Е., Хорошева А. В. Аналитические методы оценки эффективности оборудования комплексом ИТСОН охраняемых объектов уголовно-исполнительной системы Российской Федерации. Ведомости уголовно-исполнительной системы, 2021, № 11 (234), с. 73–80. https://doi.org/10.51522/2307-0382-2021-234-11-73-80
Саати Т. Л. Об измерении неосязаемого. Подход к относительным измерениям на основе главного собственного вектора матрицы парных сравнений. Cloud of Science, 2015, т. 2, № 1, с. 5–39.
Смирнова А. М. Чат-боты на службе уголовно-исполнительной системы. Информационные технологии в УИС, 2023, № 3, с. 35–42. EDN: GEBNNC
Царькова Е. Г. Применение методов машинного обучения при создании программного комплекса обработки обращений граждан в ФСИН России. Научно-технический вестник Поволжья, 2024, № 2, с. 109–111. EDN: LEFBQJ