Данная работа посвящена нахождению оптимальных гиперпараметров для моделей машинного обучения добывающих скважин. В рамках исследования рассматривались 4 метода оптимизации гиперпараметров моделей: Grid Search, Random Search, CmaEsSampler (CMA-ES) из библиотеки Optuna и Tree-structured Parzen Estimator (TPE) из библиотеки Hyperopt. Был проведен анализ данных с месторождений, и построены доверительные интервалы значений гиперпараметров для каждой из представленных моделей. Результаты представлены в виде графиков и таблиц, сравнивающих точность предсказанных значений целевой переменной и время, затраченное на работу каждого из методов. 

This work is devoted to finding optimal hyperparameters for machine learning models of producing wells. The study considered 4 methods for optimizing hyperparameters of models: Grid Search, Random Search, CmaEsSampler (CMA-ES) from the Optuna library and Tree-structured Parzen Estimator (TPE) from the Hyperopt library. The analysis of data from the deposits was carried out, and confidence intervals of hyperparameter values for each of the presented models were constructed. The results are presented in the form of graphs and tables comparing the accuracy of the predicted values of the target variable and the time spent on the operation of each of the methods.