پایان نامه ارشد رایگان درمورد معیارهای ارزیابی

نامه، برای آموزش22 و تست23، از روش leaving-one-out استفاده شده است. در این روش در هر مرحله یک داده به عنوان تست و بقیه دادهها برای آموزش استفاده می‌شوند و این عمل برای تمامی داده‌ها تکرار می‌شود. مزیت این روش این است که همهی دادهها یک بار برای تست مورد استفاده قرار می‌گیرند. در اینجا به عنوان نمونه از سه نوع داروی Cream Calamine ، Vialdigoxin و Syrup Sulbutamol استفاده کرده ایم که تمام روشها را روی آنها اعمال کرده و گزارش کنیم.
روش ماههای متوالی
در این روش، مجموعه داده موردنظر به صورت یک پنجره شش ماهه از ماههای متوالی در نظر گرفته میشود و ماه هفتم نیز خروجی سیستم است. جدول 5-1 نتایج اعمال الگوریتم های معرفی شده، در روش ماههای متوالی بر روی داده های داروی Cream Calamine را نشان میدهد .
جدول 5-1 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine در روش ماههای متوالی
Measure
Methods
MSE
MAE
MAPE
RMSE
R2
MLP
582.22
16.61
2.14
29.12
0.72
AdaBoost.R
396.77
13.82
1.58
19.91
0.78
BAGTREE
298.35
12.32
1.79
17.27
0.83
SVR
258.69
10.64
1.46
16.08
0.85
LR
297.46
11.72
1.75
17.24
0.83
LSSVR
282.03
11.85
1.87
16.71
0.84
شکل 5-1 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم AdaBoost.R برای Cream Calamine نشان میدهد.
شکل 5-1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R در روش ماه های متوالی بر روی دادههای Cream Calamine
شکل 5-2 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتمLR را نشان میدهد.
شکل 5-2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR در روش ماههای متوالی بر روی دادههای Cream Calamine
میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم BagTree و توسط الگوریتم LSSVR و SVR برای Cream Calamine در شکل 5-3 ، 5-4 و 5-5 نشان داده شده است.
شکل 5-3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BagTree در روش ماههای متوالی بر روی دادههای Cream Calamine
شکل 5-4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR در روش ماههای متوالی بر روی دادههای Cream Calamine
شکل 5-5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR در روش ماههای متوالی بر روی دادههای Cream Calamine
همانطور که نتایج نشان میدهد برای Cream Calamine ، روش LSSVR و SVR نسبت به بقیه روشها نتیجه بهتری دارند که برتری آن را در این دارو نشان میدهد. همانطور که نمودارها نشان میدهند، در این مجموعه داده نوسانات تقاضا بسیار بالاست و این باعث میشود پیشبینی بسیار مشکل شود. همانطور که ملاحظه میکنید مقدار R2 نتایج به عدد یک بسیار نزدیک است که نشان از پیش بینی نسبتا دقیق روشها دارد.
جدول 5-2 نتایج اعمال الگوریتم های معرفی شده، در روش ماههای متوالی بر روی دادههای داروی Vialdigoxin را نشان میدهد .
جدول 5-2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdigoxin در روش ماههای متوالی
Measure
Method
MSE
MAE
MAPE
RMSE
R2
MLP
956
17.01
1.87
2.94
0.7
AdaBoost.R
145.05
10
0.96
12.11
0.74
BAGTREE
68.89
6.73
0.71
7.31
0.86
SVR
81.23
7.37
0.72
9.01
0.84
LR
70.72
7.13
0.73
8.41
0.86
LSSVR
68.86
6.92
0.73
8.29
0.86
شکل 5-6 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم BagTree برای Vialdigoxin نشان میدهد.
شکل 5-6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BagTree در روش ماههای متوالی بر روی دادههای Vialdigoxin
شکل 5-6 نشان میدهد که اگرچه میزان تقاضای واقعی و میزان تقاضای پیشبینی شده تفاوت دارند اما همانطور که ملاحظه میکنید هر قسمتی که نمودار تقاضای واقعی peak دارد تقاضای پیش بینی شده نیز peak دارد. برای این دارو، مقادیر R2 نسبت به داروی قبل(Cream Calamine) کمتر هستند که بخاطر نوسانات تقاضای بیشتری است که نسبت به Cream Calamine دارند.
جدول 5-3 نتایج اعمال الگوریتمهای معرفی شده بر روی داده های Syrup Sulbutamol در روش ماههای متوالی را نشان میدهد .
جدول 5-3 نتایج ااعمال الگوریتم های معرفی شده برروی داده های Syrup Sulbutamol در روش ماههای متوالی
Measure
Method
MSE
MAE
MAPE
RMSE
R2
MLP
1402.81
16.72
1.09
50.97
0.798
AdaBoost.R
2267
31.5
0.66
47.15
0.82
BAGTREE
1230
22.9
0.64
35.07
0.89
SVR
1232
22.31
0.66
33.78
0.9
LR
942.12
20.25
0.61
30.6
0.92
LSSVR
1211
23.94
0.69
34.93
0.89
شکل 5-7 و 5-8 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم LR و SVR برای دادههای داروی Syrup Sulbutamol در روش ماههای متوالی نشان میدهد.
شکل 5-7. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR در روش ماههای متوالی برروی داده های Syrup Sulbutamol
شکل 5-8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR در روش ماههای متوالی برروی دادههای Syrup Sulbutamol
نمودار5-9 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم AdaBoost.R بر روی دادههای داروی Syrup Sulbutamolدر روش ماههای متوالی نشان میدهد.
شکل 5-9. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R در روش ماههای متوالی برروی داده های Syrup Sulbutamol
روش ماههای یکسان
در این روش، مجموعه داده موردنظر به صورت یک پنجره پنج ماهه از ماههای یکسان سالهای متوالی در نظر گرفته میشود و ماه سال بعد نیز خروجی سیستم است. این داده دارای 5 ورودی و یک خروجی است. ماتریس این مجموعه داده دارای 12 رکورد است، درنتیجه نسبت به روش قبل تعداد رکورد کمتری دارد بنابراین خطای حاصله ممکن است بیشتر شود. جدول 5-4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine در روش ماههای یکسان را نشان میدهد.
جدول 5-4. نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine در روش ماههای یکسان
asures
Methods
MSE
MAE
MAPE
RMSE
R2
MLP
82.22
6.61
0.54
9.12
0.83
AdaBoost.R
41.18
4.25
0.42
5.74
0.92
BAGTREE
50.9
5.59
0.49
6.64
0.89
SVR
68.17
6.44
0.53
7.08
0.87
LR
81.45
6.72
0.62
8.85
0.84
LSSVR
58.41
6.15
0. 49
6.67
0.89
نمودار 5-10 و 5-11 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم SVR و AdBoost.R بر روی داده های داروی Cream Calamine در روش ماههای یکسان نشان میدهد.
شکل 5-10. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR در روش ماههای یکسان بر روی دادههای Cream Calamine
5-11. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R بر روی داده های در روش ماههای یکسان Cream Calamine
همانطور که نتایج نشان میدهد الگوریتم Adaboost.R نتیجه بهتری را ارائه میدهد. جدول5-5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های داروی Vialdigoxin در روش ماههای یکسان را نشان میدهد.
جدول 5-5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های داروی Vialdigoxin در روش ماههای یکسان
Measure
Methods
MSE
MAE
MAPE
RMSE
R2
MLP
170.07
10.45
0.78
12.30
0.82
AdaBoost.R
87.5
8.3
0.62
8.95
0.90
BAGTREE
89.64
8.31
0.63
9.12
0.896
SVR
132.48
11.04
0.76
11.69
0.84
LR
79.78
8.27
0.56
8.73
0.91
LSSVR
87.41
8.15
0. 51
7.67
0. 898
شکل 5-12 و 5-13 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم LR و SVR برای Vialdigoxin نشان میدهد.
شکل 5-12. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR بر روی داده های
Vialdigoxin
شکل 5-13. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR بر روی دادههای
Vialdigoxin
شکل 5-14 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم LSSVR بر روی داده های داروی Vialdigoxin نشان میدهد.
شکل 5-14. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR بر روی داده های
Vialdigoxin
نتایج نشان داده شده حاکی از برتری روش LR نسبت به بقیه روشها است. بسته به نوع داده هر کدام از این الگوریتمها میتواند نتیجه متفاوتی را ارائه نماید. جدول6-7 نتایج اعمال الگوریتم های معرفی شده بر روی داده های داروی Syrup Sulbatamol در روش ماههای یکسان را نشان میدهد.
جدول 5-6. نتایج اعمال الگوریتم های معرفی شده بر روی داده های داروی Syrup Sulbatamol در روش ماههای یکسان
Measure
Methods
MSE
MAE
MAPE
RMSE
R2
MLP
556.55
16.28
0.24
24.63
0.93
AdaBoost.R
658.33
18.38
0.27
24.32
0.936
BAGTREE
497.2
19.52
0.34
21.83
0.952
SVR
530.88
19.44
0.32
23.08
0.946
LR
1014.66
23.08
0.43
31.45
0.90
LSSVR
500.87
18.21
0. 26
21.55
0.95
نمودار شکل 5-15 و 5-16 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم Adaboost.R و MLP بر روی داده های داروی Syrup Sulbatamol نشان میدهد
شکل 5-15. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم Adaboost.R بر روی داده های
Syrup Sulbatamol
شکل 5-16. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم MLP بر روی داده های
Syrup Sulbatamol
نمودار شکل 5-17 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم LSSVR بر روی داده های داروی Syrup Sulbatamol نشان میدهد.
شکل 5-17. میزان تقاضای واقعی و پیش بینی شده در روش ماههای یکسان توسط الگوریتم LSSVR در شربت سالبوتامول
روش فصول متوالی
روش فصلهای متوالی ، همانند روشماههای متوالی عمل میکند با این تفاوت که در این روش تقاضای دارو در فصل های بهار، تابستان، پاییز و زمستان در مجموعه داده نگه داری میشود و پنجره ای با سایز چهار از فصول متوالی در آن نگه داری شده است.
جدول 5-8 نتایج اعمال الگوریتم های معرفی شده بر روی دادههای داروی Cream Calamine را در روش فصول متوالی نشان میدهد.
جدول 5- 8. نتایج اعمال الگوریتم های معرفی شده بر روی داده های داروی Cream Calamine در روش فصولی متوالی
Measure
Methods
MSE
MAE
MAPE
RMSE
R2
MLP
1218.89
61.28
2.35
100.34
0.66
AdaBoost.R
5678.81
52.77
1.41
79.42
0.55
BAGTREE
4370.32
50.22
2.32
64.76
0.66
SVR
3551.1
43.22
1.27
64.29
0.64
LR
4990.66
51.88
2.19
67.97
0.59
LSSVR
3773.3
38.42
2.09
63.16
0.65
شکل 5-18 و 5-19 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم LSSVR و BagTree برای دادههای داروی Cream Calamine نشان میدهد.
شکل 5-18. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR بر روی داده های
Cream Calamine
شکل 5-19. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BagTree بر روی داده های
Cream Calamine
همانطور که نتایج جدول نشان میدهد در این روش مقدار R2 بشدت پایین میآید. مقایسه تقاضا به صورت فصل به فصل است و تقاضای دارو از یک فصل به فصل بعد ممکن است از شرایط خاصی تبعیت نکند و الگوی خاصی را دنبال نکند.
جدول6-10 معیارهای ارزیابی مورد استفاده در الگوریتم های مختلف پیش بینی برای Syrup Sulbutamol را نشان میدهد.
جدول 5-9. نتایج اعما

تکه های دیگری از این پایان نامه را می توانید

در شماره بندی فوق بخوانید

متن کامل پایان نامه ها در سایت homatez.com موجود است

You may also like...

Add a Comment