В разделе объясняется, почему прогнозирование используется при анализе данных и принятии решений. Формулируются проблема, цель, задачи и предполагаемый результат проекта, уточняется объект исследования и описывается выбранная область применения. Также обозначаются критерии, по которым будут сравниваться модели, и ограничения школьного исследования.

Пункт раскрывает содержание понятия «прогнозная модель» и показывает различия между регрессией, классификацией и прогнозированием временных рядов. Рассматриваются целевая переменная, признаки, обучающая выборка и предсказание. Отдельно объясняется, почему модель должна выявлять закономерность в данных, а не просто запоминать отдельные примеры.

Здесь описываются источники и структура исходного набора данных, типы переменных и возможные проблемы качества информации. Рассматриваются обработка пропусков, поиск выбросов, кодирование категорий и масштабирование признаков. Объясняется назначение обучающей, валидационной и тестовой выборок, а также риск утечки данных между ними.

В теоретической части сравниваются базовые алгоритмы, подходящие для учебного эксперимента: линейная регрессия, дерево решений, случайный лес или логистическая регрессия. Для каждого метода указываются принцип работы, тип решаемой задачи, сильные и слабые стороны. Обсуждается влияние сложности модели на точность и вероятность переобучения.

Раздел посвящён количественной проверке прогнозов. Объясняется смысл MAE, MSE, RMSE и R² для регрессии, а также accuracy, precision, recall и F1-меры для классификации. Показано, почему одну метрику нельзя использовать без учёта типа задачи, масштаба ошибки, дисбаланса классов и особенностей выбранной тестовой выборки.

В практической части приводится характеристика выбранного набора данных: число наблюдений, признаки, целевая переменная и способ получения информации. Формулируется проверяемая гипотеза о сравнительной эффективности моделей. Описываются правила разделения данных, фиксируемые параметры эксперимента и порядок действий, необходимый для воспроизводимого результата.

Пункт содержит описание практической реализации алгоритмов в программной среде или электронной таблице. Показывается подготовка данных, запуск обучения и получение предсказаний на тестовой части. Для сопоставимости эксперимента используются одинаковые исходные данные и единый порядок проверки, а результаты сохраняются в таблицах и графиках.

В разделе приводятся рассчитанные метрики, визуализации фактических и прогнозных значений, а также сравнение ошибок разных алгоритмов. Анализируется, где модели работают лучше или хуже, какие наблюдения влияют на результат и есть ли признаки переобучения. На основании данных обосновывается выбор наиболее подходящей модели, а не просто самой сложной.

В заключении обобщаются результаты эксперимента и проверяется выполнение поставленных задач. Формулируется аргументированный вывод о качестве и применимости выбранной модели, указываются основные источники неопределённости и ограничения набора данных. Также обозначаются возможные направления улучшения: расширение выборки, подбор признаков, настройка параметров или применение новых методов.

В списке литературы указываются учебники, научно-популярные материалы, официальная документация программных библиотек и источники набора данных. Для каждого ресурса необходимо привести автора или организацию, название, год публикации и ссылку при наличии. Перечень оформляется единообразно, чтобы читатель мог проверить определения, формулы и использованные методы.