अनुपात विश्लेषण में मल्टीकोलाइनियालिटी प्रभाव: एक फीड फॉरवर्ड आर्टिफिशियल न्यूरल नेटवर्क दृष्टिकोण

इस अध्ययन में हमने दो डेटा सेटों – एक वास्तविक जीवन बीमा डेटा और एक अनुकरण डेटा – के प्रयोग से सामान्य न्यूनतम वर्ग रिग्रेशन (OLSR) और आर्टिफिशियल न्यूरल नेटवर्क (ANN) के प्रदर्शन की तुलना की, ताकि यह पता लगाया जा सके कि कौन सा तरीका एक अत्यधिक सहसंबद्ध डेटा सेट को बेहतर तरीके से मॉडेल करता है, जहां प्रदर्शन माप के रूप में रूट मीन स्क्वायर एरर (RMSE) का उपयोग किया गया। वास्तविक जीवन डेटा के लिए, सभी विभिन्न ANN मॉडलों में OLSR मॉडल की तुलना में ANN ने बेहतर प्रदर्शन किया, सिवाय उन मॉडलों के जिनमें छिपे हुए परत में नौ और दस नोड्स थे। चार छिपे हुए नोड्स वाला नेटवर्क सबसे अच्छा मॉडल था। अनुकरण डेटा के लिए, दो छिपे हुए नोड्स वाला ANN मॉडल OLSR और परीक्षण सेट में अन्य ANN मॉडलों की तुलना में सबसे कम RMSE दिया। दो छिपे हुए नोड्स वाला नेटवर्क डेटा को बहुत अच्छी तरह से मॉडेल किया। मल्टीकोलाइनियालिटी की उपस्थिति में, ANN मॉडल OLSR की तुलना में बेहतर फिट और भविष्यवाणी प्राप्त करता है।