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

مدل بندی یکی از روش های مهم برای تبیین رابطه بین متغیر پاسخ و مستقل می باشد. از آنجا که داده های مربوط به تعداد دفعات اهدای خون به صورت داده های شمارشی(گسسته)می باشد، جهت تبیین آن ها مناسب تر است که از توزیع های متغیرهای گسسته مانند پواسن یا دوجمله ای منفی استفاده کرد. هدف از انجام این مطالعه تحلیل مدل های شمارشی به روش شبکه عصبی و مقایسه آن با روش های آماری کلاسیک و انتخاب بهترین روش برای پیش بینی تعداد دفعات اهدای خون می باشد.
در این مطالعه از داده های مربوط به اهدای خون که در پایگاه انتقال خون شهر کرد 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.
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.
نتایج مطالعه نشان داد که، با توجه به میزان MSE می توان روش شبکه عصبی مصنوعی را مناسب ترین روش با بالاترین دقت جهت پیش بینی تعداد دفعات اهدای مجدد خون نسبت به مدل های مورد بررسی در این پژوهش دانست.