طراحی و توسعه فانتوم دیجیتال داده محور برای ارزیابی و اعتبارسنجی الگوریتم های داده کاوی و یادگیری ماشین

این مطالعه چارچوبی نوآورانه برای ارزیابی و تحلیل رفتار و پایداری مدل های یادگیری ماشین ارائه می دهد. در این رویکرد، فانتوم دیجیتال با حفظ ویژگی های آماری و ساختاری داده های واقعی تولید می شوند، که امکان شبیه سازی سناریوهای متنوع، از جمله داده های دارای نویز، سوگیری و مقادیر گمشده، را فراهم می آورد. استفاده از این داده های مصنوعی امکان تحلیل مدل های مختلف یادگیری ماشین شامل شبکه های عصبی چندلایه، درخت های تصمیم و سیستم های دسته بند مبتنی بر قوانین را بدون وابستگی مستقیم به داده های واقعی فراهم می کند. تحلیل های تجربی نشان داد که به کارگیری فانتوم های دیجیتال باعث افزایش ۱۵ تا ۱۸ درصد قابلیت تبیین تصمیمات مدل ها و حفظ همبستگی رفتاری بالاتر از ۰٫۸۵ با داده های واقعی شد. همچنین، پایداری مدل ها تحت شرایط اختلال در بازه ۸۲ تا ۹۵ درصد قرار گرفت. این نتایج حاکی از آن است که فانتوم های دیجیتال می توانند به عنوان ابزاری قابل اعتماد، منعطف و کم هزینه برای ارزیابی، تحلیل حساسیت و اعتبارسنجی الگوریتم های داده کاوی و یادگیری ماشین در محیط های کنترل شده مورد استفاده قرار گیرند. به طور کلی، چارچوب پیشنهادی می تواند جایگزینی موثر برای آزمایش های مبتنی بر داده های واقعی فراهم کرده و زمینه را برای توسعه روش های پایدار و قابل تبیین در کاربردهای عملی یادگیری ماشین هموار سازد.

کلیدواژه ها:

فانتوم دیجیتال ، یادگیری ماشینی ، تحلیل و اعتبار سنجی ، انعطاف پذیری ، داده کاوی