Abstract
<jats:p>У статті представлено результати дослідження властивостей адаптивного ансамблевого індикатору діагностики стратегічної ресурсної безпеки (ДСРБ) розподіленої організаційної системи, призначеного для підтримки прийняття рішень в умовах високої невизначеності, неповноти інформації та дисбалансу спостережень. Індикатор реалізовано на основі гетерогенного ансамблю бінарних класифікаторів, що поєднує моделі різних парадигм машинного навчання (Naive Bayes, Support Vector Machine, Random Forest, k-Nearest Neighbors, Logistic Regression), та доповнено спеціалізованими механізмами масштабування, калібрування ймовірностей і адаптивного зважування результатів. Актуальність дослідження зумовлена специфікою ресурсних даних у системах стратегічного управління, для яких характерні складні та асиметричні розподіли ознак, часові лаги, висока неоднорідність умов спостереження, домінування благополучних станів та критичність ризику гіподіагностики неблагополучних ситуацій. З урахуванням цих особливостей у роботі запропоновано композитну метрику якості KQ, що інтегрує показники F1neg, коефіцієнт Метьюза та каппу Коена з урахуванням їхньої взаємної корельованості та управлінських пріоритетів. Дослідження виконано у формі серії обчислювальних експериментів із використанням спеціально згенерованих синтетичних наборів даних, які імітують доменно обумовлену статистичну поведінку ресурсних спостережень, зокрема наявність важких «хвостів» розподілів, шуму міток, класового дисбалансу та впливу ресурсної передісторії. Для цього розроблено уніфікований алгоритм супроводження обчислювального експерименту, що забезпечує відтворюваність, порівнянність результатів і статистичну валідацію ефектів. У межах трьох експериментів проведено базову верифікацію алгоритму, поетапний аналіз внеску окремих механізмів у показники якості та оцінювання ефективності ансамблю в стресових умовах порівняно з найкращим окремим класифікатором. Отримані результати свідчать про стійку перевагу ансамблевого індикатору ДСРБ за композитною метрикою якості, показниками специфічності та F1neg, що підтверджено статистично значущими парними тестами та оцінками розміру ефекту. Показано, що запропонований підхід забезпечує більш надійне виявлення потенційно небезпечних ресурсних станів та формує інтерпретовану основу для підтримки стратегічних управлінських рішень у розподілених організаційних системах.</jats:p>