استراتژی های بهبود دقت و کارایی مدل های یادگیری ماشین

پیشرفت سریع فناوری و گسترش استفاده از هوش مصنوعی و یادگیری ماشین در زمینه های مختلف زندگی امروزی، غیرقابل انکار و اجتناب ناپذیر است. این تحولات، حوزه های متعددی از جمله مهندسی عمران را نیز در بر گرفته و به عنوان ابزاری قدرمند در بهبود دقت، سرعت و کارایی فرآیندهای مهندسی مورد استفاده قرار گرفته است. هوش مصنوعی به عنوان یک علم میان رشته ای، متشکل از طیف وسیعی از الگوریتم ها و مدل های هوشمند است که قابلیت یادگیری از داده ها و تصمیم گیری بدون نیاز به برنامه ریزی صریح را دارند. این فناوری با پیشرفت سخت افزارهای محاسباتی و دسترسی به داده های حجیم، از دهه ۲۰۰۰ میلادی رشد چشمگیری یافته است. زیرشاخه های مهم هوش مصنوعی مانند یادگیری ماشین و شبکه های عصبی مصنوعی، با معماری ها و الگوریتم های متنوعی همچون MLP، CNN، SVM و RF کاربردهای گسترده ای در علوم و صنایع مختلف دارند. این روش ها در حوزه مهندسی عمران مانند تحلیل سازه، مدیریت پروژه، پایش سلامت سازه ها، پیش بینی بار، طراحی بهینه و مدیریت زیرساخت ها نقش مهمی را ایفا می کنند. برای صحت از نتایج حاصل شده از تمامی الگوریتم ها دو معیار بسیار مهم و اساسی ضریب تعیین و ریشه میانگین مربعات خطا وجود دارد که مقادیر این دو معیار برای اعتبار نتایج حاصل از الگوریتم تعیین کننده هستند. در این پژوهش به دنبال پیشنهاد روش هایی برای بهبود این ضرایب ارائه شده است.

کلیدواژه ها:

هوش مصنوعی ، ریشه میانگین مربعات خطا ، ضریب تعیین ، اعتبار سنجی متقابل.