Аннотация:Рассматривается одна из актуальных задач машинного обучения – задача восстановления регрессии. Среди существующих подходов к решению этой задачи выделяют подход, основанный на построении регрессионных решающих деревьев (РРД). В данной работе рассматриваемая задача решается на основе построения так называемых полных k-арных РРД. По сравнению с классическим РРД конструкция полного РРД позволяет более существенно использовать имеющуюся информацию, поскольку на каждой итерации в ветвлении участвуют все признаки, удовлетворяющие выбранному критерию. Ранее подход к построению полных РРД был исследован авторами на задачах восстановления регрессии с целочисленной информацией и показал повышение качества решения по сравнению с рядом других методов синтеза регрессионных деревьев. Получены новые результаты, связанные с построением полных k-арных РРД для задачи восстановления регрессии в случае вещественнозначной информации. Как известно, данный вид информации наиболее часто встречается на практике.