论文部分内容阅读
方法或模型评估问题普遍存在于数据挖掘、机器学习和人工智能等领域,在管理学领域,方法或模型评估问题同样不可忽视,是一个具有挑战性的研究热点和难点问题。没有免费的午餐定理指出不存在普适性的最优方法或模型,而决策者往往又十分关注最优方法或模型以实现最优决策,这一矛盾该如何调和呢?如何针对给定的目标问题或数据集,科学地选择合适、高效的评估方法或模型以找寻最优决策呢?另外,在数据挖掘领域,许多研究者大多将精力聚焦在设计新方法或新模型上,很少能够对挖掘出的结果进行深入地处理、分析和展示。用户难以理解挖掘出的结果,可操作性的概率更低,造成知识及数据资源的无形浪费。鉴于上述问题,本文基于群决策理论,多目标决策理论理论和数据挖掘理论,通过加强领域知识、专家经验与多目标决策方法相结合,针对数据挖掘分类和聚类方法的评估问题进行探讨和深入研究。主要研究内容如下:(1)提出基于多目标决策的数据挖掘方法评估理论框架。通过将领域知识、专家经验,群决策和多目标决策理论引入到数据挖掘中,提出基于多目标决策的数据挖掘方法评估理论框架。该方法评估理论框架由三大评估阶段和六大模块的组件构成。(2)建立基于多目标决策的数据挖掘方法评估理论框架的实证应用。基于方法评估理论框架,展开分类方法评估和聚类方法评估,并分别提出对应的层次分析模型(AHM)和共识支持模型(CDMEC A),开展基于多目标决策的数据挖掘的二次挖掘和知识发现,以增强挖掘结果的易理解性与实用性。(3)文章通过把领域知识、专家经验与多目标决策方法AHP相结合,提出IAHP-GDM和EWAHP-GDM方法。在文中,文章首次把集结个体判断矩阵(AI J)和集结个体排序(AIP)统一在AHP群决策模型中,扩展和丰富了AHP群决策方法的集结技术。实证阶段,通过与传统的AHP群决策方法对比分析,验证了所提方法的有效性。并且,提出的EWAHP-GDM方法还被进一步扩展为一种确定准则权重的方法,为后续章节的分类方法评估和聚类方法评估奠定扎实的研究基础。(4)针对不同决策方法或模型其评估绩效往往不一致甚至存在矛盾这一重难点问题,文章基于二八定律展开二次挖掘,提出一个共识融合模型来选择最佳聚类方法。在该模型中,决策参与者的整体满意度被充分考虑,并进行量化研究,且该模型能调和评估结果绩效不一致的差异。