Дан обзор и выполнена систематизация существующих алгоритмов упрощения деревьев регрессии. Также проведено эмпирическое сравнение пяти ключевых алгоритмов упрощения по трем показателям: время работы, адекватность полученных моделей и их сложность. Результаты экспериментов показывают, что в отличие от деревьев классификации, где себя хорошо зарекомендовали алгоритмы упрощения на основе отсечения ветвей, для деревьев регрессии более предпочтительны алгоритмы ранней остановки. Последние значительно менее трудоемки и строят модели, в большинстве случаев обладающие лучшей адекватностью при сопоставимой сложности. Ключевые слова: интеллектуальный анализ данных, машинное обучение, нелинейная регрессия, кусочно-заданные модели, деревья моделей, деревья регрессии, упрощение деревьев регрессии.
