التنبؤ باستخدام انحدار العملية الغاوصية وانحدار مُتَّجه الدعم

الملخص

تم في هذا البحث دراسة انحدار العملية الغاوصية (Gaussian Process Regression) (GPR) وانحدار مُتَّجه الدَّعم SVR) (Support Vector Regression)) اللذين يعتبران من أحد أهم تقنيات التعلم الآلي، ويستخدمان في تحليل بيانات مختلف الأنظمة والتنبؤ بسلوكها بدقة عالية.

قُمنا في هذا البحث باقتراح طريقة جديدة لتحسين التنبُّؤ عن طريق دمج تنبُّؤات طريقة انحدار مُتَّجه الدَّعم وطريقة انحدار العملية الغاوصية، وتم التحقق من جودتها عبر تطبيقها على بيانات واقعية ومولدة. كما تم مقارنة هذه الطريقة مع طريقة انحدار العملية الغاوصية وانحدار مُتَّجه الدَّعم باستخدام مقاييس دقة التنبؤ (MSE، RMSE، (MAPE، بهدف الوصول لأفضل طريقة لتحسين دقة التنبؤ.

ودلَّت نتائج المقارنة أن الطريقة المقترحة تعطي أفضل دقة تنبؤ وأفضل نتائج وذلك لتكرار عدد الأفضلية بالاعتماد على أصغر قيمة من قيم مقاييس الأخطاء المستخدمة وبسبب قدرة منحني الانحدار المثل لها على ملائمة وتمثيل البيانات بشكل أفضل.