تحلیل تطبیقی عملکرد مدل های رگرسیونی و یادگیری ماشین در پیش بینی تجدید ارائه بر پایه متا آنالیز در مطالعات تجربی

پیش بینی تجدید ارائه یکی از موضوعات کلیدی در حوزه تحلیل داده و تصمیم گیری است. هدف از پیش بینی تجدید ارائه، شناسایی الگوهایی است که احتمال وقوع مجدد یک پدیده را در آینده تخمین می زند. روش های آماری سنتی مانند رگرسیون خطی و رگرسیون لجستیک از دهه ها پیش به طور گسترده استفاده شده اند، اما با رشد داده های بزرگ، روش های هوش مصنوعی مانند جنگل تصادفی، ماشین بردار پشتیبان، الگوریتم درخت تصمیم گیری تقویت شده و شبکه های عصبی عمیق، محبوبیت بیشتری یافته اند. این مقاله مروری، مطالعات انجام شده بین سال های ۲۰۱۰ تا ۲۰۲۵ را بررسی کرده و تفاوت عملکرد این دو دسته روش را تحلیل می کند. نتایج نشان می دهد که مدل های هوش مصنوعی معمولا دقت بالاتری ارائه می دهند، اما مدل لجستیک در داده های محدود و ساختارمند همچنان از کارایی و تبیین پذیری بالاتری برخوردار است. این پژوهش با بهره گیری از روش متاآنالیز نتایج مطالعات پیشین را تجمیع کرده و میزان واقعی تفاوت میان دو رویکرد را برآورد کرده است. در واقع پژوهش حاضر با تلفیق مرور نظام مند و متاآنالیز، دقت مدل های پیش بینی را به طور کمی ارزیابی کرده و شکاف میان روش های آماری کلاسیک و الگوریتم های یادگیری ماشین را پر می کند. یافته ها، راهنمایی برای به کارگیری بهینه مدل ها در حوزه های انسانی و آموزشی و توسعه دانش میان رشته ای فراهم می کند.

کلیدواژه ها:

رگرسیون لجستیک ، رگرسیون خطی ، یادگیری ماشین ، پیش بینی تجدید ارائه ، متا آنالیز