مقایسه روش‌های رگرسیونی کلاسیک با شبکه عصبی و ماشین بردار پشتیبان در رده‌بندی منابع آب‌های زیر زمینی

در عصر حاضر دسته‌بندی داده‌ها به‌منظور تشخیص و پیش‌بینی وقایع، یکی از موضوعات بسیار مهم در علوم مختلف است. در علم آمار دیدگاه سنتی این کلاس‌بندی‌ها براساس روش‌های کلاسیک و بر پایه مدل‌های آماری از جمله رگرسیون لژستیک امکان پذیر خواهد بود. در عصر حاضر که به‌عبارتی عصر انفجار اطلاعات نامیده می‌شود، در اکثر موارد با داده‌هایی مواجه هستیم که نمی‌توان توزیع دقیقی را برای آن‌ها یافت؛ از این‌رو استفاده از روش‌های داده کاوی و یادگیری ماشین که به مدل‌های از پیش تعیین شده نیاز ندارند، می‌تواند مسمر ثمر باشد. در بسیاری از کشورها تشخیص دقیق نوع منابع آب‌های زیر زمینی، یکی از مسائل قابل توجه در زمینه علوم آب است. در این مقاله به مقایسه نتایج حاصل از رده‌بندی یک مجموعه داده مربوط به منابع آب‌های زیرزمینی با استفاده از روش‌های رگرسیونی، شبکه عصبی و ماشین بردار پشتیبان پرداخته‌ایم. نتایج از این کلاس‌بندی‌ها نشان داد که روش‌های یادگیری ماشین در تشخیص دقیق نوع چشمه‌ها موثر بوده است.

Comparison of classic regression methods with neural network and support vector machine in classifying groundwater resources

In the present era, classification of data is one of the most important issues in various sciences in order todetect and predict events. In statistics, the traditional view of these classifications will be based on classicmethods and statistical models such as logistic regression. In the present era, known as the era of explosionof information, in most cases, we are faced with data that cannot find the exact distribution. Therefore, theuse of data mining and machine learning methods that do not require predetermined models can be useful.In many countries, the exact identification of the type of groundwater resources is one of the importantissues in the field of water science. In this paper, the results of the classification of a data set for groundwater resources were compared using regression, neural network, and support vector machine. The results of these classifications showed that machine learning methods were effective in determining the exact type of springs.