این داده ­ها، کد دارو­ها و جمع مصرفی آن­ها را مشخص می­ کنند. قسمتی از این مجموعه داده در شکل ۴-۴ آمده است.

شکل ۴-۴ خروجی گزارش کریستال ریپورت

جهت برازش مدل­ها چندین مجموعه داده در نظر گرفته شده است. ابتدا داده ها را به دو صورت ماه به ماه و فصل 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 می­ کند.
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 می ­تواند 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 داده ­ها نمی ­توانند در روند اجرای مسئله پیش ­بینی تاثیر بسزایی داشته باشند به این دلیل که واریانس این داده ­ها 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 پیش ­بینی تاثیر بیش­تری دارند. سی دارو می­توانند نماینده تمام داروهای موجود در پایگاه داده باشند به این شرط که میزان تغییرات تقاضای آن­ها بالا باشد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

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 بهره گرفتن 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 ^[۱۷]MSE^[18], RMSE^[19],MAE، ^[۲۰]MAPE و^[۲۱] R² استفاده شده است. هر کدام از این معیارها تحلیل متفاوتی دارند و از طریق فرمول­های زیر به­دست می­آیند.
MAE و RMSE با بهره گرفتن از روابط (۵-۲۰) و (۵-۲۱) به دست می‌آیند.
(۴-۲۰)
(۴-۲۱) ‎
همچنین میانگین مربعات خطا MSE و ضریب تبیین R² با بهره گرفتن از رابطه شماره (۶-۳) و(۶-۴) به ترتیب زیر تعیین می‌شود.
(۴-۲۲) ‎
(۴-۲۳)
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 می­ شود.
(۴-۲۴)
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 برای بهینه کردن سیستم­های پیش ­بینی 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 پیش ­بینی تقاضای دارو و ارزیابی این مدل­ها بررسی خواهد شد. مدل­های شبکه عصبی و انواع مدل­های رگرسیون بر روی مجموعه داده ­های
آماده ­سازی شده اعمال و دقت پیش ­بینی هر مدل بررسی و با مدلهای دیگر مقایسه خواهد شد.
مقایسه روش­های مورد بررسی
در این پایان نامه، برای آموزش^[۲۲] و تست^[۲۳]، از روش leaving-one-out استفاده شده است. در این روش در هر مرحله یک داده به عنوان تست و بقیه داده ­ها برای آموزش استفاده می‌شوند و این عمل برای تمامی داده‌ها تکرار می‌شود. مزیت این روش این است که همه داده ­ها 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 می­ شود و ماه هفتم نیز خروجی سیستم است. جدول ۵-۱ نتایج اعمال الگوریتم های معرفی شده، در روش ماه­های متوالی بر روی داده های داروی Cream Calamine را نشان می­دهد .
جدول ۵-۱ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine در روش ماه های متوالی

Measure
Methods

MSE

MAE

MAPE

RMSE

R2

MLP

۵۸۲.۲۲

۱۶.۶۱

۲.۱۴

۲۹.۱۲