Abstract
Предиктивное техническое обслуживание тяжёлых грузовиков является сложной задачей, поскольку открытые наборы данных об отказах встреча-ются редко, а точные модели машинного обучения часто трудно интерпретировать. В работе оценивается классификатор Random Forest с объяснениями SHAP на наборе данных SCANIA Component X, собранном более чем с 33 000 грузовиков. Цель ис-следования состоит в прогнозировании риска отказа по последнему доступному счи-тыванию по каждому транспортному средству и в выявлении эксплуатационных при-знаков, влияющих на решения модели. Данные были агрегированы до одной записи на автомобиль, пропущенные значения заменялись медианами обучающей выборки, а дисбаланс классов учитывался с помощью взвешивания классов и оптимизации по-рога. На валидационной выборке модель достигла точности 0,853, полноты 0,447, точности положительного класса 0,315 и F1-меры 0,370 для класса отказа. Анализ SHAP показал, что основная прогностическая информация сосредоточена в неболь-шой группе гистограммных и счётчиковых признаков