پیش بینی تعداد موارد بروسلوز براساس پارامترهای اقلیمی با استفاده از روش های داده کاوی شبکه های عصبی مصنوعی پرسپترون چند لایه، تابع پایه شعاعی و نزدیک ترین همسایگی
شناسایی مدلهای آماری دارای پیشبینیهای دقیق در تعیین دقیق و به هنگام طغیان بیماریهای عفونی در نظام مراقبت بهداشتی این بیماریها بسیار با اهمیت است. این مطالعه با هدف ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین در مدلسازی و پیشبینی سری زمانی بروسلوز بر اساس پارامترهای اقلیمی انجام شد.
در این مطالعه موارد بروسلوز انسانی و پارامترهای اقلیمی به صورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ایران تحلیل شد. دادهها به دو زیرمجموعه آموزش (80 درصد) و آزمون (20 درصد) تقسیم شد. روشهای تابع پایه شعاعی و چند لایه پروسپترون و نزدیک ترین همسایه سری زمانی به هر زیرمجموعه برازش شد. ارزیابی عملکرد مدلها با استفاده از معیارهای RMSE، MAE، MRAE، R2 و ICC انجام شد.
نتایج نشان داد که مقادیر معیارهای (79/23) RMSE، (56/20) MAE، (25/0) MRAE برای مدل شبکه عصبی چند لایه پرسپترون کوچک تر از مقادیر آنها در دو مدل دیگر بود. هم چنین، در این مدل مقادیر بزرگ تری برای معیارهای (61/0) R2 و (75/0) ICC به دست آمد. بنابراین مدل شبکه ی عصبی چند لایه پرسپترون در پیشبینی دادههای مورد مطالعه عملکرد بهتری داشت. دما نسبت به سایر پارامترهای اقلیمی موثرترین عامل در بروز این بیماری بود.
شبکه عصبی چندلایه پرسترون میتواند به عنوان یک روش کارا برای تشخیص رفتار روند بروسلوز در طول زمان به کار رود. با این حال مطالعات بیش تری با هدف کاربرد و مقایسه این روشها برای شناسایی مناسبترین روش پیشبینی روند این بیماری مورد نیاز است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.