توسعه يك روش طبقه بندي به منظور ايجاد امتياز ريسك تفسيرپذير

دكتري

مدل‌هاي امتياز ريسك يك نوع از مدل¬هاي طبقه¬بندي خطي هستند كه به كاربران اجازه مي‌دهند با انجام عمليات رياضي ساده بر روي ويژگي‌ها، پيش‌بيني‌ سريع انجام دهند. اين مدل‌ها به طور گسترده‌اي در كاربردهايي كه در نهايت انسان نقش تصميم‌گيري خواهد داشت، استفاده مي‌شوند و درك و ارزيابي آن‌ها آسان است. با وجود استفاده¬ي گسترده¬ي اين مدل‌ها در دنياي واقعي، امتياز ريسك هنوز با استفاده از روش‌هاي تركيبي آماري، راهكارهاي ابتكاري و قضاوت‌هاي كارشناسي ساخته مي‌شوند. چنين روش‌هايي باعث كاهش عملكرد مي¬شوند و ساخت امتيازهاي ريسك كاربردي و پذيرفته‌شده را براي متخصصان دشوار مي‌سازد. در اين رساله، يك روش طبقه‌بندي تفسيرپذير بر مبناي روش ريسك¬اسليم توسعه داده شده است كه بر پايه انتخاب ويژگي، انتخاب ضرايب صحيح كوچك و محدوديت¬هاي عملياتي استوار است. روش يادگيري ماشين پيشنهادي داراي قابليت تفسيرپذيري بالايي بوده و به‌راحتي قابل امتيازدهي است، به حدي كه نياز به كامپيوتر يا حتي ماشين‌حساب ندارد. سه قابليت جديد به روش پيشنهادي اضافه شده است: اول، يك پارامتر تنظيمي قابل‌تنظيم و مستقل براي هر ضريب ويژگي وجود دارد. دوم، انتخاب خودكار نقاط برش براي دودويي كردن ويژگي‌ها امكان‌پذير شده است. سوم، كاهش ابعاد ويژگي در مرحله پيش‌پردازش انجام مي‌گيرد. براي اعتبار سنجي روش پيشنهادي، دو مورد مطالعاتي براي پيش¬بيني تشخيص كوويد-19 و ميزان رضايت كاركنان از خدمات فناوري اطلاعات در شركت فولاد مباركه اصفهان شرح داده شده است. در روش پيشنهادي نسبت به روش ريسك¬اسليم، هزينه محاسباتي حدود 13 برابر كاهش داده شد و در برابر داده‌هاي نادرست و حفاظت از اطلاعات حساس بدون از دست دادن عملكرد مقاوم شد. همچنين، در رساله، نشان داده شد باوجوداينكه كوويد-19 علائمي دارد كه به علائم ساير بيماري‌ها مانند آنفلوانزا و سرمازدگي شبيه است و همين باعث مي¬شود كه تشخيص آن را از طريق پرسش‌نامه‌هاي خوداظهاري دشوار كند، اين امتياز ريسك پيشنهادي، عملكرد خوبي در مجموعه آزمايشي نشان داده است و مقدار AUROC و AUPRC آن به ترتيب 82 درصد و 27 درصد به دست آورد. اين نتايج با نتايج مدل رگرسيون لجستيك با مجازات مقايسه شده‌اند كه مقدار AUROC آن 85 درصد و مقدار AUPRC آن 22 درصد بود، و مدل جنگل تصادفي كه مقدار AUROC آن 86 درصد و مقدار AUPRC آن 23 درصد بود. اگرچه مقدار AUROC مدل روش پيشنهاد شده كمي بدتر از دو مدل ديگر بود، اما AUPRC آن بهتر بود. همچنين مي¬تواند فرايند انتخاب محدوديت¬هاي عملياتي متخصصان حوزه را به طور كامل مكانيزه كند و همين امر باعث مي¬شود روش پيشنهادي عملكرد خوبي از نظر صحت و سرعت داشته باشد. بررسي¬هاي نتايج در اين تحقيق نشان مي¬دهد كه روش پيشنهادي از نظر صحت و سرعت قابل رقابت با روش¬هاي يادگيري ماشين معروف مانند جنگل تصادفي و رگرسيون لجستيك با مجازات و همچنين روش بهينه ريسك اسليم است.

230819

دانشگاه اصفهان

مهندسي كامپيوتر - نرم افزار

دكتر محمدعلي نعمت بخش , دكتر افسانه فاطمي