Аннотация:Для получения максимальной точности в задачах классификации часто используются не от-
дельные прогнозирующие алгоритмы, а композиции базовых алгоритмов прогнозирования. В
качестве базовых алгоритмов чаще всего пользуются решающими деревьями, которые в каждом
узле проверяют условия, превосходит ли отдельный признак определенный порог. Указанные
правила позволяют дробить признаковое пространство лишь параллельно осям координат, что
снижает качество прогнозирования, когда изменение прогнозируемой величины происходит не
строго вдоль одной из осей координат, а более общим способом. В качестве решения этой про-
блемы предлагается новый алгоритм построения ансамбля, в котором используется AdaBoost
с поворотами признакового пространства перед настройкой каждого решающего дерева. Пред-
ложенный подход сравнивается на широком наборе задач классификации с обычным методом
AdaBoost и с алгоритмом RotationForest, решающим аналогичную проблему. Предложенный
метод устойчиво демонстрирует более высокую точность прогнозирования, чем немодифициро-
ванный AdaBoost и сравнимое качество работы с алгоритмом RotationForest.