مقایسه روش های کلاس بندی درخت تصمیم، یادگیری عمیق و کی-نزدیک ترین همسایه در پیش بینی درآمد افراد: مطالعه موردی واقعی

مدیریت اطلاعات افراد در یک کشور از اهمیت خاصی برخوردار است و پیش بینی بر مبنای اطلاعات شخصی افراد نیز حائز اهمیت می باشد. در این مقاله با استفاده از اطلاعات شخصی افراد، وضعیت درآمد سالیانه هر فرد براساس دو کلاس الف (کمتر از ۵۰۰۰۰ دلار) و ب (بیشتر از ۵۰۰۰۰ دلار) پیش بینی می شود. ابتدا داده ها وارد عملیات پیش پردازش و آماده سازی می شوند. پس از اعمال روش های پاک سازی، نرمال سازی، حذف نویز و داده گم شده و گسسته سازی، داده های پیش پردازش شده وارد مرحله کلاس بندی می شوند. سپس داده های مسئله با استفاده از تکنیک های کلاس بندی شامل درخت تصمیم، یادگیری عمیق و کی-نزدیک ترین همسایه، مدل سازی می شوند. در نهایت، روش کلاس بندی کی-نزدیک ترین همسایه با پارامتر ۲۰ به عنوان الگوی بهینه انتخاب می شود. نتایج نشان می دهد که درآمد افراد مجرد در مقایسه با افراد متاهل پایین تر بوده و برای افراد مجرد با سنین کم، وضعیت درآمد بالا نمی باشد.

کلیدواژه ها:

پیش بینی درآمد ، داده کاوی ، کلاس بندی ، الگوریتم کی نزدیکترین همسایه