Çok Amaçlı Karar Verme (27) – Öz Niteliklerin Azaltılması – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

Öz Niteliklerin Azaltılması

Öznitelikler arasındaki bağımlılıkları keşfetmek, kaba küme yaklaşımında bilgi tablosu analizi için önemlidir. Nitelikler kümesinin bağımsız olup olmadığını kontrol etmek için, her öz niteliğin kaldırılmasının bir bilgi sistemindeki temel kümelerin sayısını artırıp artırmadığına dair kontrol edilmesi gerekir. S = (U, Q, V, ρ) bir bilgi sistemi olsun ve P, R ∈ Q olsun. O zaman, P öznitelikler kümesinin, S’deki R niteliklerine bağlı olduğu söylenir (R → ifadesi) P) sadece INDR ⊆ INDp, halbuki P, R öznitelikleri kümesi S iffede ne R → P ne de P → R tutmadıkça bağımsız olarak adlandırılır.

Dahası, özniteliklerde azalma bulmak başka bir önemli şeydir. Η (Y …) = η (Y …) P’nin .. PR .. Y-redüktünü ve KIRMIZI ile gösterilmesini sağlayacak şekilde R ⊆ P ⊆ Q özelliklerinin minimal alt kümesine … P). Ardından, tüm Y-indirgeyicilerin kesişimi. Y, P’nin Y çekirdeği olarak adlandırılır. Özellikle, çekirdek, tablodaki en alakalı özelliklerin bir koleksiyonudur ve tüm indirgemelerin ortak parçasıdır.

İndirgemeleri ve çekirdeklerini elde etmek için iki popüler yöntem vardır: ayırt edilemezlik ilişkisi yöntemi ve benzerlik ilişkisi yöntemi. Ayrılmazlık ilişkisi yöntemi, ayırt edilemezlik matrisine dayanır ve ayırt edilemezlik ilişkisi esas olarak nitel niteliklerle ilgiliyken, benzerlik ilişkisi yöntemi benzerlik matrisine dayanır ve benzerlik ilişkisi esas olarak niceliksel niteliklerle ilgilidir. Bu nedenle, ayırt edilemezlik ilişkisi yöntemi, dilsel değerlerle nitel öznitelikler içeren verileri analiz etmek için kullanışlıdır, benzerlik ilişkisi yöntemi ise sürekli değerlere sahip niceliksel öznitelikleri içeren verileri analiz etmek için yararlıdır.

Karar Tablosu ve Karar Kuralları

Karar tablosu, karar tablosunda belirtilen kararın gerçekleştirilmesi için yerine getirilmesi gereken koşullara göre kararları açıklar. Bir bilgi sistemi, S = (U, C ∪ D, V, ρ) şeklinde bir karar tablosu olarak görülebilir; burada C ∪ D = Q ve koşul özellikleri C ve karar özellikleri D’nin iki ayrık sınıf olduğu anlamına gelir.

Karar tablosu analiz edilerek, değerli karar kuralları çıkarılabilir. Karar tablosundaki verilerden karar kuralları oluşturmak için gereksiz koşulları azaltmak ve gereksiz nitelikleri en aza indirmek gerekir.

Pawlak’a (2002a, b) göre, S’deki bir karar kuralı Φ → Ψ ifadesidir, Φ ise read ise okuyun, burada Φ ve Ψ sırasıyla karar kuralının koşulları ve kararlarıdır; en önemlisi, σs (Φ, Ψ) = supps (Φ, Ψ) / card (U), S’deki karar kuralının gücüdür, → Ψ, burada supps (Φ, support) kuralının desteği olarak adlandırılır Φ → Ψ, S. Ayrıca Dimitras ve ark. (1999), her bir karar kuralının kuvvetle nitelendirildiğinden, yani karar kuralının koşulu kısmını karşılayan ve bu karar sınıfına ait nesnelerin sayısı anlamına geldiğinden bahsetmiştir; daha güçlü kurallar genellikle daha geneldir, yani durum bölümleri daha kısadır ve daha az uzmanlaşmıştır.

Özellikle, Kapsam İndeksi (CI), karar kuralının kalitesini değerlendirmenin oldukça değerli bir yoludur (Mori ve ark. 2004). Karar özellikleri D tekil D = {d} olsun, S’deki d-temel kümeler Yi = {Y1, Y2, …, Yn} ile gösterilir ve sınıflandırmanın karar sınıfları olarak adlandırılır; A ⊆ C koşul niteliği ve aj ∈ A niteliğinin etki alanı Vaj olsun. O zaman CI şu şekilde ifade edilebilir:

CI (Vaj, Yi) = kart (Vaj ∧Yi) kartı (Yi), (10.10)

burada “∧” birleşme operatörüdür. CI, karar sınıfının derecesini, aynı öznitelik değerine sahip kaç nesnenin aynı karar sınıfına ait olan nesnelerin aksine karar sınıfıyla eşleştiğini belirten kaplama oranı olarak adlandırılan bir oranı temsil eder.

Veri Analizinin Analitik Prosedürü

Müşteri analizi, veri analizi ve azaltma, karar kurallarının oluşturulması, görüntü işleme, örüntü tanıma, bilgi keşfi, bilgi sunumu ve kavram adlandırma gibi RST uygulamaları çeşitlidir. Kaba küme yaklaşımı kullanılarak çözülebilecek birkaç sorun türü vardır, örneğin:

(1) bir dizi nesnenin öznitelik değerleri açısından açıklaması;
(2) özellikler arasındaki bağımlılıklar;
(3) niteliklerin azaltılması;
(4) niteliklerin önemi; ve
(5) karar kurallarının oluşturulması

Doumpos ve Zopounidis (2002), sınıflandırma problemiyle ilgili olarak aşağıdakilerden bahsetmektedir:

(1) Doğrusal diskriminant analizi, kuadratik diskriminant analizi, logit veya probit analizi ve doğrusal olasılık modeli gibi parametrik sınıflandırma teknikleri yaygın olarak kullanılırken, matematiksel programlama teknikleri, çok kriterli karar gibi birkaç alternatif parametrik olmayan sınıflandırma tekniği geliştirilmiştir. yardım yöntemleri, sinir ağları ve makine öğrenimi yaklaşımları;
(2) Çoğu parametrik sınıflandırma tekniği, istatistiksel varsayımların sınırlamasına sahiptir, örneğin, doğrusal diskriminant analizi, çok değişkenli normallik ve gruplar arasında dağılım matrislerinin eşitliği dahil olmak üzere bu kısıtlayıcı varsayımlara sahiptir;
(3) Parametrik olmayan sınıflandırma teknikleri arasında, makine öğrenimi kavramlarını takiben geliştirilen RST, veri azaltma, işleme dahil olmak üzere çeşitli ayırt edici ve çekici özelliklere (özellikler, kriterler, değişkenler vb.) sahiptir.

RST, belirsiz ve kesin olmayan verilerden nispeten yeni bir akıl yürütme tekniği sağlar. Tay ve Shen’e (2002) göre, kaba küme yaklaşımının birçok avantajı vardır:

(1) analizi sadece orijinal verileri kullanarak doğrudan gerçekleştirebilir ve istatistikteki olasılık veya bulanık küme teorisindeki üyelik derecesi gibi herhangi bir dış bilgiye ihtiyaç duymaz
(2) sadece niceliksel nitelikleri değil aynı zamanda nitel nitelikleri de analiz etmek için uygundur;
(3) verilerde gizli olan önemli gerçekleri keşfedebilir ve bunları karar kurallarının doğal dilinde ifade edebilir;
(4) karar kuralları seti, bilgi tablolarında yer alan bilginin genelleştirilmiş bir tanımını verir; ve (5) kaba kümeler analizinin sonuçlarının doğal dil tarafından anlaşılması kolaydır.

RST’nin temel kavramları bilgi sistemi, karar tablosu, ayırt edilemezlik, yaklaştırma, indirgeme ve karar kurallarıdır. Uygulamada, karar tablolarının analizi için, Walczak ve Massart (1999) tarafından belirtildiği gibi ana adımlar şunlardır:

(1) temel setlerin oluşturulması;

(2) temel setlerin üst ve alt yaklaşımlarının hesaplanması;

(3) özniteliklerin özünü ve indirgemelerini bulmak; ve

(4) öznitelik değerlerinin özünü ve indirgemelerini bulmak.

Bu nedenle, kaba küme yaklaşımındaki veri analizi için, üç adımlı analitik prosedürü öneriyoruz:

(1) yaklaşıklığın hesaplanması;

(2) özniteliklerin azalmasını ve özniteliklerin özünü bulmak; ve

(3) karar kurallarının oluşturulması.

analizi sadece orijinal veriler bir dizi nesnenin öznitelik değerleri açısından açıklaması Çoğu parametrik sınıflandırma tekniği Doğrusal diskriminant analizi Karar Tablosu ve Karar Kuralları matematiksel programlama teknikleri Öz Niteliklerin Azaltılması özniteliklerin özünü ve indirgemelerini bulmak sadece niceliksel nitelikleri değil aynı zamanda nitel nitelikleri de analiz etmek temel setlerin oluşturulması Veri Analizinin Analitik Prosedürü verilerde gizli olan önemli gerçekleri keşfedebilir

Çok Amaçlı Karar Verme (27) – Öz Niteliklerin Azaltılması – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma