تخمین مقادیر آنومال به کمک ترکیب مناسبی از روش جدایش فواصل ماهالانوبیس و سه روش‌ پرکاربرد داده‌کاوی؛ مطالعه موردی: پرکام

در مطالعه پیش رو به منظور کاهش خطا و ریسک در راستای صرف هزینه، زمان، انرژی و نیز دستیابی به پیشگوئی‌هایی به مراتب ارزنده‌تر، به بررسی ترکیب روش‌های داده‌کاوی و جدایش آنومالی پرداخته می‌شود. اهمیت تشخیص مقادیر آنومال از زمینه بر هیچ یک پوشیده نیست، به این منظور روش‌های متعددی ابداع گشته است که از آن جمله می‌توان به روش جدایش فواصل ماهالانوبیس اشاره کرد که روشی مؤثر و چند متغیره در جدایش مقادیر آنومال از زمینه محسوب می‌شود. از طرفی، پیش‌بینی ابزاری قدرتمند در فرآیند برنامه‌ریزی در هر فعالیتی هست، پس به کارگیری روش‌های داده‌کاوی در جهت یافتن الگو و روابط نهفته در دل داده‌ها، نیاز ما را در این زمینه مرتفع می‌سازد. لذا در مطالعه حاضر، به بررسی عملکرد ترکیب روش جدایش فوق با سه روش داده‌کاوی K-نزدیک‌ترین همسایه، طبقه‌بند ساده بیز و درخت تصمیم‌گیری پرداخته می‌شود. به‌این‌ترتیب که پس از جدایش مقادیر آنومال مس و مولیبدن در مورد 377 نمونه حاصله از عملیات نمونه‌برداری سطحی در محدوده پرکام به کمک روش فواصل ماهالانوبیس، به منظور پیش‌بینی این مقادیر برای هر نمونه تصادفی، سه روش داده‌کاوی مذکور، مورد استفاده قرار می‌گیرند. در نهایت نیز جهت بررسی شبکه‌های طراحی شده، نمونه‌های آموزشی به عنوان داده‌های تست در اختیار شبکه‌های مذکور قرار گرفته‌اند. نتایج حاصله نشان می‌دهند که روش درخت تصمیم‌گیری به مراتب قوی‌تر ظاهر شده، زیرا در شبکه طراحی شده توسط این روش، تنها دو نمونه از بین 377 نمونه، اشتباهاً شناسایی شده‌اند که نشان دهنده دقت بالای شبکه طراحی شده است. یعنی مقدار خطای Resubstitution گزارش شده برای این شبکه برابر با 0053/0 هست. لازم به ذکر است که تعداد نمونه‌های به اشتباه پیش‌بینی شده برای دو روش KNN و بیز به ترتیب برابر با 9 و 23 و به تبع، مقدار خطای محاسبه شده برای آنها نیز به ترتیب برابر با 0239/0 و 061/0 گزارش شده‌اند. به این ترتیب با توجه به میزان خطای به مراتب قابل‌قبول‌تر برای شبکه طراحی شده توسط ترکیب روش درخت تصمیم‌گیری و فواصل ماهالانوبیس، ترکیب مذکور به عنوان روشی قابل اطمینان و سودمند جهت رسیدن به صحیح‌ترین پیشگوئی‌ها به تصمیم‏گیران این صنعت معرفی شده است.