№23. Соотнесите алгоритм машинного обучения и финансовую задачу, для решения которой он лучше всего подходит. Установите соответствие между понятием и определением: к каждой позиции, данной в первом столбце, подберите соответствующую позицию из второго столбца. Понятия: 1. K-means (Кластеризация); 2. Random Forest (Случайный лес); 3. LSTM (Рекуррентная нейросеть); 4. Linear Regression (Линейная регрессия). Определения: А. Базовое прогнозирование суммы ипотечного кредита в зависимости от подтверждённого дохода. Б. Оценка вероятности дефолта заёмщика на основе данных с нелинейными связями. В. Сегментация розничных клиентов банка на группы поведения. Г. Прогнозирование временных рядов (например, волатильности актива) с учетом долгосрочных зависимостей.

Подберём алгоритм по типу задачи:

1. K-means группирует объекты без заранее заданных классов, поэтому подходит для сегментации клиентов — В.
2. Random Forest может моделировать нелинейные зависимости и использоваться для классификации риска дефолта — Б.
3. LSTM предназначена для последовательных данных и подходит для прогнозирования временных рядов — Г.
4. Линейная регрессия оценивает числовую величину по линейной зависимости, например сумму кредита по доходу — А.

Ответ: 1–В, 2–Б, 3–Г, 4–А.