انتخاب بهترین مدل رتبه‌بندی کشورها در بازی‌های آسیایی بر اساس مدل های شبکه عصبی، درختی و الگوریتم K و نزدیک ترین همسایه

نویسنده

چکیده

چکیده
هدف: در این پژوهش تلاش شده است تا موفقیت کشورها در بازی‌های آسیایی از طریق متغیرهای کلان اقتصادی، سیاسی، فرهنگی و اجتماعی پیش‌بینی شود.
روش شناسی: بدین منظور، اطلاعات کلیه متغیرهای جمعیت شهری، هزینه آموزش و پرورش، ساختار سنی، تولید واقعی ناخالص داخلی، سرانه تولید ناخالص داخلی، بیکاری، جمعیت، میزان تورّم، تعادل حساب جاری، امید به زندگی و تراز بازرگانی کلیه کشورهای شرکت کننده در بازی‌های آسیایی از سال 1970 تا 2006 برای طراحی مدل استفاده گردید و مدل برای سال 2010 آزمایش شد. پیش‌بینی رتبه کشورها بر اساس مجموع مدال‌های کسب‌شده کشورها انجام شد. در این تحقیق از نرم‌افزار WEKA که یک نرم‌افزار ماشین یادگیری است استفاده شد.
یافته ها: ضریب همبستگی بین رتبه‌های پیش‌بینی شده و واقعی بر اساس مدل درختی 18/77 درصد، بر اساس مدل شبکه‌های عصبی 42/90 درصد و بر اساس الگوریتم k نزدیک‌ترین همسایه 35/91 درصد مشاهده شد. بر اساس یافته‌های تحقیق الگوریتم k نزدیک‌ترین همسایه، بهترین مدل در میان سه مدل بود و این مدل از 28 کشوری که موفق به کسب مدال در بازی‌های آسیایی شدند، رتبه پیش‌بینی شده 23 کشور (14/82 درصد) را حداکثر با 3 اختلاف، 3 کشور (72/10 درصد) را حداکثر بین 4 تا 6 اختلاف و 2 کشور (14/7 درصد) را با بیش از 6 اختلاف به نسبت رتبه واقعی آن‌ها پیش‌بینی نمود. تحقیقات گذشته بیشتر بر تعداد محدودی متغیر متمرکز شده بود. این سوال پیش می آید که چرا تاثیر عوامل سطح کلان بر موفقیت ورزشی کاهش یافته است؟ یافته‌های این تحقیق نشان داد که متغیرهای سطح کلان همچنان اثرگذاری بالای خود را بر موفقیت ورزشی حفظ کرده‌اند و این کاهش در شدت اثرگذاری، ناشی از جابه‌جایی متغیرهاست.
نتیجه گیری: در این تحقیق سعی شد تا متغیرهای فرهنگی و اجتماعی که در تحقیقات گذشته به علت دشواری کمّی ساختن آن‌ها در طرح تحقیق گنجانده نمی‌شدند در کنار متغیرهای اقتصادی و سیاسی قرار گیرند. البته نکته حائز اهمیت این است که بسیاری از متغیرها می‌توانند دارای وزن‌های اقتصادی، سیاسی، فرهنگی و اجتماعی به‌طور همزمان باشند، ولی آن‌ها وزن‌های متفاوتی در هر یک از این حیطه‌ها دارند.
واژه های کلیدی: پیش‌بینی، بازی‌های آسیایی، متغیرهای کلان.

کلیدواژه‌ها


عنوان مقاله [English]

Selecting the best model for ranking the participating countries in the Asian games by neural network model, tree model and k-nearest neighbor algorithm

نویسنده [English]

  • Sharam Shafiee
چکیده [English]

Abstract
Objective: This study was intended to predict the success of countries at the Asian Games through macro-economic, political, social and cultural variables.
Methodology: We used the information of all variables including urban population, education expenditures, age structure, GDP real growth rate, GDP per capita, unemployment rate, population, inflation average, current account balance, life expectancy at birth and merchandise trade of all the participating countries in Asian Games from 1970 to 2006 in order to build the model. This model was then tested by the information of variables in 2010. The prediction was based on the total number of medals received by in each country. In this study, we used WEKA software that is a popular suite of machine learning software written in Java.
Results: The value of correlation coefficient between the predicted and original ranks was 77.18% according to Tree model, 90.42% according to Neural Network model and 91.35% according to K-Nearest Neighbor Algorithm. Based on the analysis, K-Nearest Neighbor Algorithm had the highest correlation coefficient among the 3 models. This model, among 28 countries which won medals in Asian games, predicted the ranks of 23 countries with the maximum difference of 3 between predicted and original ranks, 3 countries with the maximum difference of 4 to 6 between predicted and original ranks and 2 countries with the maximum difference of more than 6 between predicted and original ranks. The previous studies have mostly focused on a small number of variables. The question is why the impact of macro level factors on sport success has been decreased. The results of this study indicated that the macro level variables still have a great impact on sport success and this reduction in impact proportion is due to the replacement of variables.
Conclusion: This study aimed to use cultural and social variables besides political and economic variables, because in previous studies due to quantification problems, they were not included in the research design. The point is that many variables can simultaneously have economic, political, cultural and social weights, but their weights can be different in each of these ranges.
Keywords: Prediction, Asian games, Macro variables.

کلیدواژه‌ها [English]

  • Prediction
  • Asian games
  • Macro variables