مدل بندی تعداد ویزیت های پزشکی با استفاده از رگرسیون شبکه عصبی کانوی-مکسول-پواسون...

از آن جایی که بسیاری از تحلیل های تجربی و علمی بر پایه داده های شمارشی صورت می گیرد، مدل بندی داده های شمارشی از اهمیت بسزایی برخوردار است. از جمله این تحلیل ها می توان به رگرسیون تعداد مراجعات به پزشک برپایه یک سری متغیر پیشگو اشاره کرد. بدیهی است دسترسی به مدل رگرسیون پیشگوی مناسب می تواند تاثیر زیادی بر تصمیم گیری ها و برنامه ریزی ها داشته باشد.در این پژوهش در راستای بهبود دقت مدل بندی، رگرسیون پواسون با شبکه عصبی ترکیب شده است تا مدل سازی بهتری برای داده شمارشی داشته باشیم. دراین راستا، مدل شبکه عصبی پواسون همراه با الگوریتم محاسباتی ارائه شده و به منظور ارزیابی کارایی آن از دیدگاه برآورد پارامتر و دقت پیشگویی، با دو مدل جنگل تصادفی و XGBoost از روش های یادگیری گروهی، مقایسه شده است.از طرفی برای بررسی پدیده بیش پراکنش از مدل شبکه عصبی کانوی-مکسول-پواسون استفاده کرده و با شبکه عصبی پواسون مقایسه انجام شد.با پیاده سازی مدل های فوق الذکربر روی یک مجموعه داده واقعی پزشکی، نشان دادیم که مدل رگرسیون شبکه عصبی کانوی-مکسول-پواسون از عملکرد بهتری برخوردار است.