The subject of research in the article is the stage of preliminary data processing for machine learning algorithms and consideration of various pre-processing techniques and evaluation the informativeness of features-based parameters network infrastructure monitoring for effective intellectual state analysis. The aim of the work - to consider various data preprocessing techniques and evaluation of informativeness for determining controls parameters of network infrastructure for more efficient intellectual analysis. The article solves following tasks: consideration of methods for selecting parameters; parameter determination for assessing the state of a network filtration methods, based on algorithms that are not related to classification methods; wrapper methods, based on importance features information, obtained from classification or regression methods, which can determine data deeper patterns; embedded methods that perform feature selection during the classifier training procedure and optimize the set of features used to improve accuracy. Results: various preliminary processing techniques and evaluation of informativeness of feature were analyzed to determine the parameters of network infrastructure monitoring. The results of feature selection methods were analyzed to simplify the different machine learning models. The minimum parameters set has been formed for monitoring the state of the network infrastructure. Conclusions: The use of feature selection methods made it possible to reduce the input parameter set for classifying the state of the network infrastructure methods., Предметом исследования в статье является этап предварительной обработки данных для алгоритмов машинного обучения и рассмотрение различных техник предварительной обработки и оценки информативности признаков при определении параметров контроля сетевой инфраструктуры для более эффективного интеллектуального анализа состояния сетевой инфраструктуры. Цель работы - рассмотрение различных техник предварительной обработки данных и оценки информативности при определении параметров контроля сетевой инфраструктуры для более эффективного интеллектуального анализа. В статье решаются следующие задачи: рассмотрение методов отбора параметров, определение множества параметров для оценки состояния сети. Используются методы фильтрации, организованные на условиях, независящих от метода классификации, методы обертки, основанные на информации о важности признаков, полученной от методов классификации или регрессии, и поэтому могут определить более глубокие закономерности в данных, чем фильтры, встроенные методы, выполняющие отбор признаков во время процедуры обучения классификатора и явно оптимизирующие набор используемых признаков для повышения точности. Получены следующие результаты: проанализированы различные техники предварительной обработки и оценки информативности признаков при определении параметров контроля сетевой инфраструктуры для более эффективного интеллектуального анализа состояния сетевой инфраструктуры. Исследованы результаты применения методов отбора признаков для упрощения различных моделей машинного обучения. Сформирован минимальный набор параметров, необходимых для мониторинга состояния сетевой инфраструктуры. Выводы: Применение методов отбора признаков позволило уменьшить входной набор параметров для методов классификации состояния сетевой инфраструктуры., Предметом дослідження в статті є етап попередньої обробки даних для алгоритмів машинного навчання і розгляд різних технік попередньої обробки та оцінки інформативності ознак при визначенні параметрів контролю мережевої інфраструктури для більш ефективного інтелектуального аналізу стану мережевої інфраструктури. Мета роботи – розгляд різних технік попередньої обробки даних і оцінки інформативності при визначенні параметрів контролю мережної інфраструктури для більш ефективного інтелектуального аналізу. В статті вирішуються наступні завдання: розгляд методів відбору параметрів, визначення множини параметрів для оцінки стану мережі. Використовуються методи фільтрації, які організовані на критеріях, що не залежать від методу класифікації; методи обгортки, що грунтуються на інформації про важливість ознак, яка отримана від методів класифікації або регресії, і тому можуть визначити більш глибокі закономірності в даних, ніж фільтри; вбудовані методи, які виконують відбір ознак під час процедури навчання класифікатора, і явно оптимізують набір використовуваних ознак для досягнення кращої точності. Отримано такі результати: проаналізовані різні техніки попередньої обробки та оцінки інформативності ознак при визначенні параметрів контролю мережевої інфраструктури для більш ефективного інтелектуального аналізу стану мережевої інфраструктури. Досліджені результати застосування методів відбору ознак для спрощення різних моделей машинного навчання. Сформовано мінімальний набір параметрів, які потрібні для моніторингу стану мережної інфраструктури. Висновки: Застосування методів відбору ознак дозволило зменшити вхідний набір параметрів для методів класифікації стану мережної інфраструктури.