بهینه سازی وزن نمونه ها برای پیش بینی هزینه های پزشکی در یادگیری ماشین با الگوریتم های فراابتکاری

پیش بینی دقیق هزینه های پزشکی به دلیل نقش کلیدی آن در مدیریت ریسک مالی و تعیین منصفانه حق بیمه، یکی از چالش های اساسی در صنعت سلامت و بیمه به شمار می رود. روابط پیچیده و غیرخطی میان متغیرها و توزیع نامتقارن داده ها، عملکرد مدل های یادگیری ماشین متعارف را محدود کرده و به ویژه در پیش بینی موارد نادر و پرهزینه ضعف ایجاد می کند. این پژوهش رویکردی ترکیبی و نوآورانه ارائه می دهد که به جای تمرکز بر بهینه سازی مستقیم، مدل فرآیند یادگیری را از طریق بهینه سازی داده های ورودی ارتقا می دهد. در گام نخست عملکرد چهار مدل رگرسیونی پایه شامل رگرسیون خطی، شبکه عصبی، الگوریتم تقویت گرادیانی و جنگل تصادفی ارزیابی شد که در نهایت جنگل تصادفی به عنوان مدل پایه انتخاب گردید. با بهره گیری از پنج الگوریتم فراابتکاری شناخته شده شامل الگوریتم ژنتیک، بهینه سازی ازدحام ذرات، کلونی زنبور مصنوعی، الگوریتم تکامل تفاضلی و بازپخت شبیه سازی شده بردار وزن بهینه برای نمونه های آموزشی تعیین شد. هدف اصلی، تخصیص هوشمندانه اهمیت به نمونه ها و هدایت مدل به سمت یادگیری الگوهای کلیدی بود تابع برازش بر اساس کمینه سازی خطای میانگین مربعات ریشه دار روی داده های آزمایشی تعریف گردید. نتایج نشان داد که مدل جنگل تصادفی با وزن های بهینه شده توسط الگوریتم تکامل تفاضلی بهبود چشمگیری در تمامی معیارها از جمله کاهش خطا و افزایش ضریب تعیین، نسبت به مدل پایه داشت. در مجموع این تحقیق نشان می دهد که وزن دهی هوشمندانه داده ها می تواند راهبردی موثر برای ارتقای دقت و قابلیت تعمیم پذیری مدل های یادگیری ماشین در داده های نامتوازن باشد و در توسعه سیستم های بیمه و سلامت دقیق تر نقش آفرینی کند.

کلیدواژه ها:

پیش بینی هزینه های پزشکی ، الگوریتم های فراابتکاری ، وزن دهی ، نمونه ها ، یادگیری ماشین ، بهینه سازی رگرسیون