Рассматривается проблема прогнозирования температуры поверхности стальной заготовки в прокатном стане после ее нагрева в методической печи. Эту оценку необходимо получить еще до того, как металл покинет печь. В отличие от классического подхода, основанного на решении краевой задачи теплопереноса на основе дифференциального уравнения нестационарной теплопроводности, в данном случае предлагается строить модель зависимости температуры заготовки от истории ее нагрева на основе анализа данных, полученных из системы управления печью. Собраны данные из АСУ ТП печей нагрева, и сформировано хранилище для них, проведен разведочный анализ данных, и определены объемы выборок для обучения, тестирования и валидации моделей. В рамках данной работы проведена валидация ранее разработанной авторами регрессионной модели. Ее результаты показали, что такой подход демонстрирует признаки переобучения (ошибка на проверочных выборках существенно превышает ошибку на обучающем множестве). Для того чтобы преодолеть указанный недостаток, в работе представлен альтернативный подход к построению искомой зависимости, основанный на поиске агрегированной гипотезы – бэггинга и бустинга. Результатом работы стало построение бустинг-модели «случайного леса» на основе особого класса классификационно-регрессионных деревьев – Dropout Adaptive Regression Trees (DART). На основе множественного эксперимента с полученной моделью были построены два доверительных интервала – 68 %-й и 95 %-й, а также рассчитано математическое ожидание ошибки прогноза ~ 9 °С по прогнозируемой температуре заготовки на стане как на обучающей, так и на валидационной выборке.