شکل(4-16): ساختار شبکه عصبی
بعد از آموزش شبکه عصبی توسط دادههای آموزشی، با اعمال شبکه عصبی بر روی دادههای تست بهترین نتیجه بدست آمدهی این مدل از تست و اجرای ساختارها و پارامترهای مختلف در نمودار (4-4) نشان داده شده است.
نمودار (4-4): نتیجه تشخیص شبکه عصبی
شبکه عصبی قادر به پیشبینی صحیح 92.26% شده است.
3-6-4-5 روشهای ترکیبی
روش ترکیبی به 2 صورت طراحی و مورد آزمایش قرار گرفت که در هر 2 حالت نتیجه بهتری نسبت به روش غیرترکیبی حاصل شد. در طراحی اول ابتدا دادهها را در شبکه عصبی وارد و سپس در نتیجهی بدست آمده دادهها با تشخیص قطعی و نسبی را از یکدیگر جدا میکنیم. سپس دادهها با تشخیص نسبی را وارد درخت تصمیم با تابع هدف آنتروپی کرده و نتایج را ارزیابی میکنیم.
نتایج خروجی از شبکه عصبی در نمودار(4-4) ارائه شده است. در خروجی شبکه عصبی 31 داده از 600 داده تست با تشخیص نسبی وجود دارد. بعد از ورود دادهها با تشخیص نسبی به درخت تصمیم با تابع هدف آنتروپی، بخشی از این دادهها نیز تشخیص قطعی داده شدند که نتایج حاصل از این کار در نمودار (4-5) نشان داده شده است.
نمودار(4-5): پیشبینی دادههای تست با تشخیص نسبی توسط درخت تصمیم با تابع هدف آنتروپی
این روش با دقت 92.76% پیشبینی درست توانست دادهها را پیشبینی کند.
در طراحی دوم ابتدا دادهها را در درخت تصمیم با تابع هدف آنتروپی وارد کرده و سپس در نتیجهی بدست آمده، دادهها با تشخیص قطعی و نسبی خرابی را از یکدیگر جدا میکنیم. سپس دادهها با تشخیص قطعی خرابی که نقطه ضعف درخت تصمیم میباشد را وارد شبکه عصبی کردیم تا دقت را افزایش دهیم و نتایج کلی را ارزیابی کردیم.
نتایج خروجی از درخت با تابع هدف آنتروپی در جدول 4-3 قبلا نشان داده شده است. بعد از ورود دادهها به شبکه عصبی، 4.04% از خطای پیشبیینی درخت تصمیم کاسته شد. نتایج حاصل از اجرای شبکه عصبی بر دادههای خرابی در نمودار (4-6) نشان داده شده است.
نمودار(4-6): نتایج حاصل از اجرای شبکه عصبی بر دادههای خرابی پیشبینی شده توسط درخت تصمیم
این روش با تشخیص صحیح 93.43% دارای بهترین نتیجه نسبت به تمام روشهای بحث شده در مقاله است.
3-6-5 نتیجه گیری
در این فصل مشکل تشخیص کنتورهای خراب شرکت ملی گاز تشریح و با تحلیل پایگاه داده آن شرکت با استفاده از علم داده کاوی مورد بررسی قرار گرفت. روش شبکه عصبی برای ارائه راه حل مورد بررسی قرار گرفت. همچنین درختهای تصمیم در سه حالت مختلف برای متغیر تابع هدف درخت تصمیم شامل روش نسبت بهره اطلاعاتی، آنتروپی، پراکندگی جمعیت (جینی)، که هرکدام بطور جداگانه برای حل مشکل بررسی شدهاند و با یکدیگر مقایسه شدند. در نهایت با بررسیهای انجام گرفته از شبکه عصبی و درختهای تصمیم، دو روش ترکیبی مشتمل بر بهترین حالتهای این روشها نیز ارائه شده است. روش ترکیبی با تشخیص صحیح 93.43% به عنوان بهترین روش از بین روشهایی که مورد مقایسه قرار گرفتهاند، معرفی شده است.
فصل چهارم
نتیجه‌گیری و راهکار آینده
این فصل در دو بخش تنظیم شده است. در بخش اول نتیجه‌گیری خود را از انجام این تحقیق بیان نموده و در بخش دوم راهکار برای آینده مطرح می‌شود.
4-1 نتیجه گیری
در این پژوهش سعی بر آن شد که با استفاده از اجرای یک فرآیند داده کاوی بر روی پایگاه داده شرکت ملی گاز، با توجه به سوابق موجود کنتورها و شرکتها، کنتورهای خراب بررسی شوند و روابط کشف شده و بر روی کنتورها با نتایج نا معلوم برای مدل اجرا شوند. این کار به 3 روش صورت گرفت. ابتدا توسط درخت تصمیم با 3 نوع تابع هدف مختلف بررسی و بهترین نتیجه شامل 89.39% تشخیص درست شد. سپس توسط شبکه عصبی سعی بر این کار شد که نتیجه شامل 92.26% تشخیص درست بود. در نهایت کار تشخیص کنتورهای خراب با 2 روش ترکیبی از درخت تصمیم و شبکه عصبی اجرا شد. با ترکیب نتایج در شبکه عصبی و سپس درخت تصمیم به دقت 92.76% دست یافتیم. با ترکیب نتایج در درخت تصمیم و سپس شبکه عصبی به دقت 93.43% رسیدیم که بهترین نتیجه از تست و ارزیابی روشهای یاد شده همین روش است.
4-2 راهکار آینده
با توجه به ورود روشها و الگوریتمهای داده کاوی در زمینههای مختلف، کار انجام شده بر روی دادههای شرکت ملی گاز را میتوان در شرکتها و سازمانهای دیگر بکار گرفت. داده کاوی به تازگی وارد صنعت ملی گاز شده که در این صورت زمینههای بسیاری از جمله تست ابزارهای داده کاوی در فرآیندهای اصلی و تأثیر آن بر مدیریت زنجیره تأمین، مدیریت کیفیت و مدیریت ارتباطات مشتری در شرکت مذکور هنوز جای کار دارد]9[.