پایان نامه با کلید واژه های رگرسیون، پیش بینی تقاضا، معیارهای ارزیابی

به فصل جدا میکنیم. مجموعه داده انتخاب شده به این صورت است که هر نوع دارو دارای یک مقدار تقاضای ماهیانه و همچنین فصلی در هر سال میباشد که درواقع جمع مصرفی آن داده یا مجموع تقاضای آنرا در طول یک ماه و یا فصل مشخص میکند.
پاکسازی داده
در این مرحله برای ارزیابی کارایی روشهای پیاده سازی شده، زیر مجموعه ای از داده حجیم انتخاب شده و به عنوان مجموعه داده نهایی مورد استفاده قرار میگیرد.این مجموعه داده نهایی میتواند نماینده تمام داده باشد به این دلیل که در آن دادههایی وجود دارند که بر اساس بیشترین واریانس تقاضا به دست آمده اند. از بین این مجموعه داده، سی داده که تقاضای آنها بیشترین واریانس را داشته اند به عنوان مجموعه داده پایه مورد استفاده قرار گرفته اند. در پایگاه داده، داروهایی موجود هستند که ممکن است میزان تقاضای آنها در بعضی از سالها بسیار پایین باشد و یا اینکه در تمام سالها تقاضای تقریبا یکسانی داشته باشند. این دادهها نمیتوانند در روند اجرای مسئله پیشبینی تاثیر بسزایی داشته باشند به این دلیل که واریانس این دادهها پایین است و میزان تغییرات آنها در ماهها، فصلها و سالهای مختلف بسیار پایین است. دادههایی که میزان تقاضای آنها طی ماههای متفاوت واریانس بالایی دارد، در روند پیشبینی تاثیر بیشتری دارند. سی دارو میتوانند نماینده تمام داروهای موجود در پایگاه داده باشند به این شرط که میزان تغییرات تقاضای آنها بالا باشد.
معیارهای ارزیابی
برای ارزیابی انواع روشها نیاز به استفاده از معیارهای مختلف ارزیابی است. به همین دلیل، در تمامی روشهای پیاده سازی شده، خطای پیش بینی روشهای فوق محاسبه میگردد و سپس با استفاده از تحلیل نتایج، سعی در ساختن یک مدل ترکیبی یا بهبود یکی از مدلهای ذکر شده برروی داده ها خواهیم پرداخت تا صحت پیش بینی افزایش یابد و مدل ارائه شده بتواند توسط تکنیک های داده کاوی باعث بهبود خرید دارو شود. برای میزان صحت پیش بینی تقاضا از معیارهای 17MSE18, RMSE19,MAE، 20MAPE و21 R2 استفاده شده است. هر کدام از این معیارها تحلیل متفاوتی دارند و از طریق فرمولهای زیر بهدست میآیند.
MAE و RMSE با استفاده از روابط (5-20) و (5-21) به دست می‌آیند.
(4-20)
(4-21) ‎
همچنین میانگین مربعات خطا MSE و ضریب تبیین R2 با استفاده از رابطه شماره (6-3) و(6-4) به ترتیب زیر تعیین می‌شود.
(4-22) ‎
(4-23)
هرچه R2 به یک نزدیکتر باشد نتیجه مطلوبتری را نشان میدهد. در بهترین حالت R2 برابر با یک می‌باشد.MAPE نیز از رابطه زیر محاسبه میشود.
(4-24)
در روابط فوق ، مقادیر مشاهداتی،، مقادیر برآوردشده و K تعداد داده‌ها می‌باشند.
جمع بندی:
در این فصل ابتدا چارچوب کلی روش مورد بررسی ذکر شد و در آخر نیز الگوریتمهای پیش بینی براي بهینه کردن سیستمهای پیشبینی تقاضای دارو ارائه شد. هدف از انجام این پایان نامه، پیاده سازی روشهای مختلف پیش بینی و انتخاب بهترین روش به عنوان ابزاری که بتوان از آن برای پیش بینی تقاضای انواع دارو در داروخانه شهرستان بم و بالطبع در بقیه مراکز بیمارستانی استفاده کرد. در واقع امکان ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی تا کنون ارائه شده و می‌توان از آنها برای بهینه سازی خرید استفاده کرد. به همین دلیل باید روشهای مختلف رگرسیون را اعمال کرد تا بتوان مقایسه ای بین روشها و انتخاب بهترین روش داشته باشیم.
فصل پنجم
نتایج تجربی و بحث
بحث و نتیجه‌گیری
در این فصل، مدلهای مختلف جهت پیشبینی تقاضای دارو و ارزیابی این مدلها بررسی خواهد شد. مدلهای شبکه عصبی و انواع مدلهای رگرسیون بر روی مجموعه دادههای
آمادهسازی شده اعمال و دقت پیشبینی هر مدل بررسی و با مدلهای دیگر مقایسه خواهد شد.
مقایسه روشهای مورد بررسی
در این پایان 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

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