مقایسه روش های رگرسیونی کلاسیک با شبکه عصبی و ماشین بردار پشتیبان در رده بندی منابع آب های زیر زمینی

در عصر حاضر دسته بندی داده ها به منظور تشخیص و پیش بینی وقایع، یکی از موضوعات بسیار مهم در علوم مختلف است. در علم آمار دیدگاه سنتی این کلاس بندی ها براساس روش های کلاسیک و بر پایه مدل های آماری از جمله رگرسیون لژستیک امکان‎ پذیر خواهد بود. در عصر حاضر که به عبارتی عصر انفجار اطلاعات نامیده می شود، در اکثر موارد با داده هایی مواجه هستیم که نمی توان توزیع دقیقی را برای آن ها یافت؛ از این رو استفاده از روش های داده کاوی و یادگیری ماشین که به مدل های از پیش تعیین شده نیاز ندارند، می تواند مسمر ثمر باشد. در بسیاری از کشورها تشخیص دقیق نوع منابع آب های زیر زمینی، یکی از مسایل قابل توجه در زمینه علوم آب است. در این مقاله به مقایسه نتایج حاصل از رده بندی یک مجموعه داده مربوط به منابع آب های زیرزمینی با استفاده از روش های رگرسیونی، شبکه عصبی و ماشین بردار پشتیبان پرداخته ایم. نتایج از این کلاس بندی ها نشان داد که روش های یادگیری ماشین در تشخیص دقیق نوع چشمه ها موثر بوده است.