Процесс старения является сложным многофакторным явлением, на который оказывает влияние как внешние факторы - климатические, экономические и политические условия, так и индивидуальные особенности организма. В связи с этим моделирование данного процесса является нетривиальной задачей, требующего разностороннего подхода для ее решения. Анализ литературы показывает, что при моделировании темпов старения используются как концептуальные [1-4] модели, дающие представления как в принципе оценивать процесс старения, так и более конкретизированные расчетные модели [5-9], дающие возможность прогнозирования темпов старения. При построении расчетных моделей возникает противоречие между полнотой модели и возможностью ее использования для прогнозирования. Так модели, хорошо показывающие все взаимосвязи в процессе старения [7], построенные как правило, на графах, сложны в применении их к численной оценке темпа старения, хотя некоторые из них дают возможность построения индивидуальных траекторий старения [8-9]. В то же время, модели, имеющие сильный численный аппарат оценки темпа старения [5-6], как правило, заострены для решения узкой задачи и не охватывают всей сложности процесса старения. В такой ситуации использование методов машинного обучения в расчетных моделях оценки темпов старения является очень перспективным направлением [10-15], поскольку его применение позволяет учесть все многообразие факторов процесса старения, не вникая в сущность самого процесса. В данной работе методами машинного обучения проведен анализ корреляции функциональных показателей пациентов с их календарным возрастом и построению моделей прогнозирования биологического возраста пациентов. Анализ данных проводился с помощью авторских разработок на языке Python в среде Anaconda. Для анализа использовались функциональные показатели (10 штук) 1185 пациентов из базы данных клинического областного психико-неврологического госпиталя ветеранов войн в количестве. Анализ данных показал наличие статически значимой корреляции используемых показателей с календарным возрастом пациентов. В работе построены 5 моделей регрессии с помощью различных инструментов библиотеки sklern языка Python (пакетный градиентный спуск, стохастический градиентный спуск, гребневая регрессия, гребневая регрессия с Байесовским отбором, метод опорных векторов), а также использовались композиции алгоритмов из решающих деревьев (случайный лес и бустинг). Для улучшения качества модели применялись отбор признаков (add-dell) и поиск и удаление выбросов методом опорных векторов, изолирующего леса и методом ближайших соседей. Все полученные модели адекватны (проверка критерием Фишера), но наибольшую точность (R2 = 0,75) показала модель композиции случайного леса на полном наборе признаков после удаления аномалий методом опорных векторов. Результаты моделирования по линейным моделям показали, что наибольшие веса в модели имеют 3 функциональных показателя - аккомодация, жизненная емкость легких и острота слуха.
