Optimizing time series forecasting: leveraging machine learning models for enhanced predictive accuracy

Engaging in investment activities plays a crucial and strategic role in fostering the growth of businesses and ensuring their resiliencein the market. This involvement entails expenditures on acquiring assets, embracing technological advancements, expanding production capacities, conducting research and development, among various other domains. Collectively, these aspects form the foundation for the sustained successof an organization over the long term. This thesis will delve into an exploration of leveraging machine learning techniques to forecast key parametersin business, including investments and their impact on the financial health of the company. In this research, explored a variety of time series modelsand identified that both the Random Forest Regressor and Decision Tree Regressor models deliver superior accuracy, showcasing identical RMSE values of 88.36 on the validation dataset. Furthermore, the Cat Boost and Light GBM models exhibited praiseworthy performance, registering RMSE valuesof 92.47 and 104.69, respectively. These findings highlight the robust performance of Random Forest Regressor and Decision Tree Regressor, emphasizing their capability to provide accurate predictions. It is noted that Random Forest Regressor and Decision Tree Regressor are distinguished by high accuracy in time series forecasting, and the choice between them should take into account the trade-offs between computational efficiency and interpretabilityof the model. These results allow us to propose practical strategies for managing investment resources to ensure the sustainable developmentand prosperity of the enterprise in the long term.

---

Zaangażowanie w działalność inwestycyjną odgrywa kluczową i strategiczną rolę we wspieraniu rozwojuprzedsiębiorstw i zapewnianiuich stabilności na rynku. Zaangażowanie to pociąga za sobą wydatki na nabycie aktywów, wdrażanie postępu technologicznego, zwiększanie zdolności produkcyjnych, prowadzenie badań i rozwoju oraz wiele innych obszarów. Łącznie aspekty te stanowią podstawę trwałego sukcesu organizacjiw perspektywie długoterminowej. Niniejsza rozprawa dotyczy wykorzystania technik uczenia maszynowego do prognozowania kluczowych parametróww biznesie, w tym inwestycji i ich wpływu na kondycję finansową firmy. W tym artykule zbadano różne modele szeregów czasowych i stwierdzono,że zarówno modele Random Forest Regressor, jak i Decision Tree Regressor zapewniają najwyższą dokładność, wykazując identyczne wartości RMSE wynoszące 88,36 w zbiorze danych walidacyjnych. Co więcej, modele Cat Boost i Light GBM wykazały się godną pochwały wydajnością, rejestrując wartości RMSE odpowiednio 92,47 i 104,69. Wyniki te podkreślają solidną wydajność regresorów Random Forest Regressor i Decision Tree Regressor, podkreślając ich zdolność do dostarczania dokładnych prognoz. Należy zauważyć, że Random Forest Regressor i Decision Tree Regressor wyróżniająsię wysoką dokładnością w prognozowaniu szeregów czasowych, a wybór między nimi powinien uwzględniać kompromisy między wydajnością obliczeniową a interpretowalnością modelu. Wyniki te pozwalają nam zaproponować praktyczne strategie zarządzania zasobami inwestycyjnymiw celu zapewnienia zrównoważonego rozwoju i dobrobytu przedsiębiorstwa w perspektywie długoterminowej.