از آنجایی که بسیاری از تحلیلهای تجربی و علمی بر پایه دادههای شمارشی صورت میگیرد، مدلبندی دادههای شمارشی از اهمیت بسزایی برخوردار است. از جمله این تحلیلها میتوان به رگرسیون تعداد مراجعات به پزشک برپایه یک سری متغیر پیشگو اشاره کرد. بدیهی است دسترسی به مدل رگرسیون پیشگوی مناسب میتواند تاثیر زیادی بر تصمیمگیریها و برنامهریزیها داشته باشد. در این پژوهش در راستای بهبود دقت مدلبندی، رگرسیون پواسون با شبکه عصبی ترکیب شده است تا مدلسازی بهتری برای داده شمارشی داشته باشیم. دراین راستا، مدل شبکه عصبی پواسون همراه با الگوریتم محاسباتی ارائه شده و به منظور ارزیابی کارایی آن از دیدگاه برآورد پارامتر و دقت پیشگویی، با دو مدل جنگل تصادفی و XGBoost از روشهای یادگیری گروهی، مقایسه شده است. از طرفی برای بررسی پدیده بیشپراکنش از مدل شبکه عصبی کانوی-مکسول-پواسون استفاده کرده و با شبکه عصبی پواسون مقایسه انجام شد. با پیادهسازی مدلهای فوقالذکربر روی یک مجموعه داده واقعی پزشکی، نشان دادیم که مدل رگرسیون شبکه عصبی کانوی-مکسول-پواسون از عملکرد بهتری برخوردار است.
