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

زمینه و هدف: مدل بندی یکی از روش‌های مهم برای تبیین رابطه بین متغیرپاسخ و مستقل می‌باشد. از آنجا که داده‌های مربوط به تعداد دفعات اهدای خون به صورت داده‌های شمارشی(گسسته)می‌باشد،جهت تبیین آن ها مناسب‌تر است که از توزیع‌های متغیرهای گسسته مانند پواسنیا دوجمله‌ای منفی استفاده کرد. هدف از انجام این مطالعه تحلیل مدل‌های شمارشی بهروش شبکه عصبی و مقایسه آن با روش‌های آماری کلاسیک و انتخاب بهترین روش برای پیش‌بینیتعداد دفعات اهدای خون می‌باشد.  روش کار:در این مطالعه از داده‌های مربوط بهاهدای خون که در پایگاه انتقال خون شهر کرد جمع آوری شده است، استفاده گردید و چهار مدلرگرسیونی پواسن، دوجمله ای منفی و حالت های صفر انبوه آن ها با روش شبکه عصبیمصنوعی 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 میانگینمربعات خطا (meansquare error)(mse) استفاده شد. بهترین ساختار شبکه درداده های آموزش انتخاب و دقت روش شبکه عصبی با بهترین ساختار در داده های آموزش بامدل های رگرسیونی کلاسیک مورد مقایسه قرار گرفت تا بهترین روش برای پیش بینی تعداددفعات مجدد اهدای خون انتخاب گردد.  یافته‌ها: میزان mse برای مدل های رگرسیونی پواسن،پواسن با صفر انبوه، دوجمله ای منفی و دوجمله ای منفی با صفر انبوه به ترتیب برابربا 2.71، 1.54، 0.94 و 1.01 و برای روش شبکه عصبی مصنوعی14:17:1 با تابع تبدیلتانژانت هایپربولیک هم در لایه میانی و هم در لایه خروجی این معیار 0.056 بدستآمد. نتیجه‌گیری: نتایج مطالعه نشان داد که، با توجه به میزان mseمی توان روش شبکه عصبی مصنوعی را مناسب ترین روش با بالاترین دقت جهت پیش بینیتعداد دفعات اهدای مجدد خون نسبت به مدل های مورد بررسی در این پژوهش دانست.

Comparison of Artificial neural network model with Count data Regression models for Prediction of blood Donation

Background: Modeling isone of the most important ways for explanation of relationship betweendependent and independent response. Since data, related to number of blooddonations are discrete, to explain them it is better to use discrete variabledistribution like Poison or Negative binomial. This research tries to analyzenumerical methods by using neural network approach and compare it by classicstatistical methods to choose better way to predict the number of blooddonations. Methods: In thisstudy, data were collected from blood donors at the blood center of theSharekord and then four methods were compared by neural network approach. Thesemethods are: Poisson regression model and its zero inflated, Negative binomialmodels and its zero inflated.To learn neural network approach, (BFGS)Broyden–Fletcher–Goldfarb–Shanno algorithm was used. To choose the best model,meansquare error (MSE) was used. The best network structure in teaching data was chosenand neural network approach resolution was compared by them, to choose the bestapproach for prediction the number of blood donations. Results: The MSE forPoisson regression model, Poisson regression with zero inflated, negativebinomial and negative binomial with zero inflated are respectively 2.71, 1.54,0.94 and 1.01. For neural network approach 14:17:1 with activation function ofhyperbolic tangent in hidden layer and output layer 0.056 is achieved. Conclusion: The results showed that,according to amount of MSE, neural network approach is the best method withhighest accuracy to predict the number of blood donations rather than othermethods examined in this article