Аннотация:В данной работе предлагается метод обработки нестационарных данных при построе-
нии моделей машинного обучения, состоящий из следующих шагов: во-первых, обучение
классификатора различению обучающей выборки от тестовой, во-вторых, анализирование
важности признаков обученного классификатора с целью выявления наиболее нестацио-
нарных признаков, в-третьих, вычисление коэффициентов значимости элементов обучаю-
щей выборки. Результатом такого подхода будет новое распределение обучающей выбор-
ки, которое оптимально адаптировано к тестовому распределению, что, в свою очередь,
улучшит точность предсказания алгоритмов машинного обучения.