چکیده:
مدل های مبتنی بر روابط برتری یک شاخه مهم از روش های تصمیم چندمعیاره هستند که نیاز به تعریف مقدار قابل توجهی اطلاعات ترجیحی در قالب پارامترها توسط تصمیم گیرنده دارند. تعدد پارامترها، معنای اغلب گـیج کننـده آنها در فضای مسئله و طبیعت غیردقیق داده ها، این فرآیند را خصوصا در مسائل طبقه بندی اعتباری با ابعـاد بـزرگ که نیاز به تصمیم گیری بلادرنگ است بسیار زمان بـر و پیچیـده مـیسـازد. بـدین منظـور رویکـرد تجمیـع زدایـی ترجیحات این اطلاعات را از طریق قضاوت های جامعی که توسط تصمیم گیرنده فراهم میشوند استنتاج میکند.
این رویکرد در تصمیم گیری چندمعیاره معادل یادگیری ماشینی در حوزه هوش مصنوعی است .
تحت این رویکرد، ایـن مقالـه یـک روش جدیـد پیشـنهاد مـیکنـد کـه در آن الگـوریتم ژنتیـک طـی فرآینـد یادگیری، به طور همزمان تمامی پارامترهای مـدل ELECTRE TRI را از داده هـای آموزشـی اسـتنتاج و در خاتمه فرآیند، پارامترهای استنتاج شده بـرای طبقـه بنـدی داده هـای آزمایشـی بکـار گرفتـه مـیشـوند. تحلیـل آزمایشات روی دیتاست های اعتباری نشان از کیفیت بالا و قابل رقابت روش پیشنهادی در مقایسه با مدل هـای استاندارد طبقه بندی دارد.
Outranking based models as one of the most important multicriteria decision methods need the definition of large amount of preferential information called “parameters” from decision maker. Because of the multiplicity of parameters، their confusing interpretation in problem context and the imprecise nature of data، Obtaining all these parameters simultaneously specially in large scale realistic credit problems which requires real time decision making is very complex and time-consuming.
Preference Disaggregation approach infers these parameters from the holistic judgements provided by decision maker. This approach within multicriteria decision methods is equivalent to machine learning in artificial intelligence discipline.
Under this approach this paper proposes a new learning method in which Genetic Algorithm(GA) in an evolutionary process induces all ، ELECTRE TRI model parameters from training set then at the end of this process، classification is done on testing set by inferred parameters. Experimental analysis on credit data shows high quality and competitive results compared with some standard classification methods.
خلاصه ماشینی:
"1 -Credit Industry 2 -Credit Scoring 3 -Discriminate Analysis 4 -Probit and Logit Analysis 5 -Lofistics Regression 6 -Decision Trees 7 -Artificial Neural Networks(ANN) 8 -Support Vector Machines(SVM) 9- Mathematical Programming 10- Multi Criteria Decision Aid(MCDA) بیان مسئله مدل های پشتیبان تصمیم چندمعیاره تاکنون کاربردهای فراوانی در زمینه حل مسائل مالی ماننـد 1 طبقه بندی اعتباری، پیش بینی ورشکستگی، مدیریت پورتفولیو، سرمایه گذاری مخاطره پذیر و ریسک کشورها٢داشته اند[٣٧].
همانگونـه کـه در جــدول ١ آمـده اسـت روشــهای برنامـه ریـزی ریاضــی بـرای اســتخراج پارامترهای مدل های مبتنی بر روابط برتری، اغلـب بـرای اسـتنتاج یـک یـا چنـد پـارامتر سـایر پارامترها را ثابت نگه داشته یا نادیده میگرفتند هر چند تلاشهایی برای استخراج همزمان کلیـه پارامترها نیـز منجـر بـه توسـعه مـدل هـای غیرخطـی و غیرمحـدب پیچیـده و ناکارآمـد بـود و مدل های حاصـل از رویکـرد برنامـه ریـزی ریاضـی بـرای کاربردهـای دنیـای واقعـی از جملـه طبقه بندی اعتباری کارایی نداشت ضمن آنکه همه ایـن روشـها رویـه تخصـیص بدبینانـه را در نظر گرفتند.
تحقیق حاضر با در نظر داشتن موارد فوق در نظر دارد با ارائه یک روش بر ایـن محـدودیت هـا فائق آید لذا در روش پیشنهادی این تحقیق با استفاده از الگوریتم ژنتیک کلیه پارامترهای مدل ELECTRE TRI در یک فرآیند تکاملی بـرای هـر دو رویـه خـوش بینانـه و بدبینانـه ، اسـتنتاج و برای مسئله طبقه بندی مشتریان اعتباری با داده های واقعی در ابعـاد بـزرگ بکـار گرفتـه مـیشـوند."