مقایسه مدل شبکه عصبی مصنوعی با مدلهای رگرسیونی دادههای شمارشی در پیش بینی تعداد دفعات اهدای خون

Abstract

زمینه و هدف: مدل­بندی یکی از روش‌های مهم برای تبیین رابطه بین متغیر پاسخ و مستقل می‌باشد. از آنجا که داده‌های مربوط به تعداد دفعات اهدای خون به صورت داده‌های شمارشی(گسسته)می‌باشد، جهت تبیین آن­ها مناسب‌تر است که از توزیع‌های متغیرهای گسسته مانند پواسن یا دوجمله‌ای منفی استفاده کرد. هدف از انجام این مطالعه تحلیل مدل‌های شمارشی به روش شبکه عصبی و مقایسه آن با روش‌های آماری کلاسیک و انتخاب بهترین روش برای پیش‌بینی تعداد دفعات اهدای خون می‌باشد. روش کار:در این مطالعه از داده‌های مربوط به اهدای خون که در پایگاه انتقال خون شهر­کرد جمع آوری شده است، استفاده گردید و چهار مدل رگرسیونی پواسن، دوجمله ای منفی و حالت های صفر انبوه آن ها با روش شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. برای آموزش شبکه عصبی مصنوعی از الگوریتم آموزشی BFGS(Broyden–Fletcher–Goldfarb–Shanno algorithm) و برای تعیین مناسب ترین مدل از معیار میانگین مربعات خطا (mean-square error)(MSE) استفاده شد. بهترین ساختار شبکه در داده های آموزش انتخاب و دقت روش شبکه عصبی با بهترین ساختار در داده های آموزش با مدل های رگرسیونی کلاسیک مورد مقایسه قرار گرفت تا بهترین روش برای پیش بینی تعداد دفعات مجدد اهدای خون انتخاب گردد. یافته‌ها: میزان MSE برای مدل های رگرسیونی پواسن، پواسن با صفر انبوه، دوجمله ای منفی و دوجمله ای منفی با صفر انبوه به ترتیب برابر با 71/2، 54/1، 94/0 و 01/1 و برای روش شبکه عصبی مصنوعی14:17:1 با تابع تبدیل تانژانت هایپربولیک هم در لایه میانی و هم در لایه خروجی این معیار 056/0 بدست آمد. نتیجه‌گیری: نتایج مطالعه نشان داد که، با توجه به میزان MSE می­توان روش شبکه عصبی مصنوعی را مناسب­ترین روش با بالاترین دقت جهت پیش­بینی تعداد دفعات اهدای مجدد خون نسبت به مدل های مورد بررسی در این پژوهش دانست.