مقايسه مدل شبكه عصبي مصنوعي با مدل هاي رگرسيوني داده هاي شمارشي در پيش بيني تعداد دفعات اهداي خون

زمينه و هدف: مدل بندي يكي از روش‌هاي مهم براي تبيين رابطه بين متغير پاسخ و مستقل مي‌باشد. از آنجا كه داده‌هاي مربوط به تعداد دفعات اهداي خون به صورت داده‌هاي شمارشي(گسسته)مي‌باشد، جهت تبيين آن ها مناسب‌تر است كه از توزيع‌هاي متغيرهاي گسسته مانند پواسن يا دوجمله‌اي منفي استفاده كرد. هدف از انجام اين مطالعه تحليل مدل‌هاي شمارشي به روش شبكه عصبي و مقايسه آن با روش‌هاي آماري كلاسيك و انتخاب بهترين روش براي پيش‌بيني تعداد دفعات اهداي خون مي‌باشد.  روش كار:در اين مطالعه از داده‌هاي مربوط به اهداي خون كه در پايگاه انتقال خون شهر كرد جمع آوري شده است، استفاده گرديد و چهار مدل رگرسيوني پواسن، دوجمله اي منفي و حالت هاي صفر انبوه آن ها با روش شبكه عصبي مصنوعي مورد مقايسه قرار گرفت. براي آموزش شبكه عصبي مصنوعي از الگوريتم آموزشي BFGS(Broyden–Fletcher–Goldfarb–Shanno algorithm) و براي تعيين مناسب ترين مدل از معيار ميانگين مربعات خطا (meansquare error)(MSE) استفاده شد. بهترين ساختار شبكه در داده هاي آموزش انتخاب و دقت روش شبكه عصبي با بهترين ساختار در داده هاي آموزش با مدل هاي رگرسيوني كلاسيك مورد مقايسه قرار گرفت تا بهترين روش براي پيش بيني تعداد دفعات مجدد اهداي خون انتخاب گردد.  يافته‌ها: ميزان MSE براي مدل هاي رگرسيوني پواسن، پواسن با صفر انبوه، دوجمله اي منفي و دوجمله اي منفي با صفر انبوه به ترتيب برابر با 2.71، 1.54، 0.94 و 1.01 و براي روش شبكه عصبي مصنوعي14:17:1 با تابع تبديل تانژانت هايپربوليك هم در لايه مياني و هم در لايه خروجي اين معيار 0.056 بدست آمد. نتيجه‌گيري: نتايج مطالعه نشان داد كه، با توجه به ميزان MSE مي توان روش شبكه عصبي مصنوعي را مناسب ترين روش با بالاترين دقت جهت پيش بيني تعداد دفعات اهداي مجدد خون نسبت به مدل هاي مورد بررسي در اين پژوهش دانست.