مدل بندی داده های شمارشی با استفاده از رگرسیون پواسون آماسیده در صفر با یادگیری عمیق

در چشم انداز وسیع تحلیل داده های مدرن، مواجهه با داده های شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار می رود. مدل های کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان می دهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدل های رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشته اند، اما کارایی آن ها در عصر داده های بزرگ و با ابعاد بسیار بالا، با محدودیت های جدی روبه رو است. این پژوهش، با نگاهی فراتر از چارچوب های سنتی، چارچوبی نوین مبتنی بر شبکه های عصبی عمیق را برای تقویت و متحول ساختن مدل های رگرسیون پواسون آماسیده در صفر معرفی می کند. این رویکرد ترکیبی، با بهره گیری از قدرت بی نظیر یادگیری عمیق در استخراج ویژگی های غیرخطی و پیچیده، قادر است فرایند دوگانه تولید داده ها (فرایند تولید صفر و فرایند شمارش) را با دقتی بی سابقه مدل سازی کند. نتایج حاصل از شبیه سازی های گسترده و کاربرد بر روی مجموعه داده های واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار می سازد.

کلیدواژه ها:

Zero-Inflated Poisson Regression ، Deep Poisson Regression ، Neural Net- works ، Multilayer Perceptron ، Count Data ، پرسپترون چند لایه ، داده شمارشی ، رگرسیون پواسون آماسیده در صفر ، رگرسیون پواسون عمیق ، شبکه های عصبی.