بهینهسازی مدل های یادگیری ماشین با ترکیب متاهیوریستی

پیشبینی دقیق فروش ابزاری حیاتی برای بهینه سازی تخصیص منابع، مدیریت موجودی و افزایش سود در بازارهای رقابتی بهشمار می رود. مدلهای یادگیری ماشین به طور فزاینده ای برای توسعه سیستم های پیشبینی فروش استفاده می شوند، چرا که توانایی بالایی در شبیه سازی و مدیریت الگوهای پیچیده داده ها دارند. در این مطالعه، یک رویکرد نوین ترکیبی معرفی می شود که الگوریتم های کلونی زنبور مصنوعی (ABC) و بهینه ساز شاهین آتشین (FHO) را به منظور بهبود بهینه سازی ابرپارامترها در مدل های پیشبینی فروش مبتنی بر یادگیری ماشین ترکیب می کند. این رویکرد ترکیبی با استفاده از نقاط قوت هر دو الگوریتم متاهیوریستی، دقت پیش بینی و قابلیت اطمینان مدل ها را به طور چشمگیری افزایش می دهد. تمرکز این تحقیق بر بهینه سازی ابرپارامترهای مدل XG Boost برای وظایف پیشبینی است. نتایج ارزیابی ها در سه مجموعه داده مختلف نشان می دهد که مدل ترکیبی به طور مداوم از الگوریتم های مستقل مانند الگوریتم ژنتیکی (GA)، بهینه سازی خرگوش های مصنوعی (ARO)، بهینه ساز کوسه سفید (WSO)، الگوریتم ABC و FHO پیشی گرفته است. در این مطالعه برای اولین بار از FHO در بهینه سازی ابرپارامترها استفاده شده است. عملکرد برتر مدل ترکیبی از طریق معیارهای RMSE، MAPE و آزمون های آماری تایید شد و نشان داد که این رویکرد پیشرفت قابل توجهی در پیشبینی فروش به ارمغان می آورد و راه حلی موثر و قابل اعتماد برای بهبود مدل های پیش بینی و حمایت از تصمیم گیری های تجاری فراهم می کند.

کلیدواژه ها:

الگوریتم یادگیری ماشین ، الگوریتم های فراابتکاری ، فراابتکاری ترکیبی