توضیحات:باتوجه به مدل مفهومی ( شکل2) در پژوهش حاضراز دو الگوریتم یادگیری شبکه عصبی Back Propagation(BPN) و رگرسیون بردار پشتیبان(SVR) برای مدل سازی استفاده می شود و دو روش جمع آوری نمونه ، Baggingو SMOTE برای مقایسه صحت مدل ها مورد استفاده قرار میگیرد. در مرحله آماده سازی، نمونه های n به طور تصادفی از مجموعه داده ها به عنوان مجموعه داده آموزشی ترسیم می شوند و N-n باقی مانده به عنوان مجموعه داده تست در نظر گرفته می شود. در مرحله آموزش، یک آزمایش کنترلی با یک گروه کنترل و سه آزمایش انجام می شود. در گروه کنترل، مجموعه آموزش به عنوان یک مجموعه داده کوچک (SDS) در نظر گرفته شده است. در گروه های آزمایشی 1، 2 و 3، مجموعه آموزشی توسط یک مجموعه آموزش جدید ایجاد شده بوسیله Bagging و SMOTE و روش پیشنهادی (PM) جایگزین می شود، در حالی که مجموعه های آموزشی جدید حاوی n واقعی و موارد مصنوعی M میباشد. در نتیجه، مدل ساخته می شود و در مرحله تست، مجموعه تست مورد استفاده قرار می گیرد. نتایج نشان می دهد که روش پیشنهادی با استفاده از Bagging و SMOTEبا بیشترین میزان پشتیبانی آماری بهترعمل می کند.