Çok Amaçlı Karar Verme (62) – Bilgi Sistemi ve Yaklaşımlar – 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.

Kaba Küme Teorisinin Temel Kavramları
Bilgi Sistemi ve Yaklaşımlar

Bilgi Sistemi

IS = (U, A, V, f), burada U evrendir (sonlu bir nesne kümesi, U = {x1, x2, …, xn}), A, sonlu bir öznitelik kümesidir (özellikler, değişkenler ), V = ∪a∈AVa, burada Va her özellik a için değer kümesidir (a özniteliğinin etki alanı olarak adlandırılır) ve f: U × A → V, f (x, a ) ∈ Tüm x ∈ U ve a ∈ A için Va, bilgi işlevi olarak adlandırılır. B ⊆ A ve x, y ∈U olsun.

Farkedilemezlik İlişkisi

Her b ∈ B için S iff f (x, b) = f (y, b) ‘deki B öznitelikleri kümesiyle x ve y’nin ayırt edilemez olduğunu söylüyoruz.Böylece her B ⊆ A, U üzerinde B indis adı verilen ikili bir ilişki oluşturur. – IB ile gösterilen güvenilirlik ilişkisi. Başka bir deyişle, IB herhangi bir B için bir eşdeğerlik ilişkisidir.

Alt ve Üst Yaklaşımlar

BX ile gösterilen, S’deki X’in B ile gösterilen daha düşük yaklaşımı ve BX ile gösterilen X’in S’deki üst yaklaşımı BX = {x ∈U | IB [x] ⊆ X} ve BX olarak tanımlanır = {x ∈ U | IB [x] ∩ X ≠ ∅}.

Sınır

S’deki X’in B ile sınırı BNB (X) = BX – BX olarak tanımlanır. Yaklaşım doğruluğu B ⊆ A ile S’deki X kümesinin doğruluk ölçüsü, αB (X) = kart (BX) / kart (BX) olarak tanımlanır, burada kart (•) bir setin kardinalitesidir. F = {X1, X2, …, Xn} bir U sınıflandırması olsun, yani Xi∩Xj = ∅, ∀i, j ≤ n, i ≠ j ve ∪in = 1 Xi = U, Xi F sınıfları olarak adlandırılır. F’nin B ⊆ A tarafından alt ve üst yaklaşımları sırasıyla BF = {BX1, BX2, …, BXn} ve BF = {BX1, BX2, …, BXn} olarak tanımlanır. F sınıflandırmasının, niteliklerin B kümesiyle yakınlaşmasının kalitesi veya kısaca sistemdeki tüm nesnelere sınıflandırma nesnelerinin kalitesine bağlıdır.

Azaltmalar ve Çekirdek

RST’deki önemli bir konu, indirgenmiş nitelikler kümesi B, B set A’nın, orijinal nitelikler A grubu ile aynı sınıflandırma kalitesini γB (F) sağlayacak şekilde gerçekleştirilen nitelik azaltmadır. ⊆ B ⊆ A, öyle ki γB (F) = γC (F), B’nin F-indirgemesi olarak adlandırılır ve REDF (B) ile gösterilir. İndirgeme, evrenin öğelerinin tüm öznitelikler kümesiyle aynı sınıflandırılmasına olanak tanıyan minimal bir öznitelikler alt kümesidir. Başka bir deyişle, bir indirgemeye ait olmayan nitelikler, evrenin unsurlarının sınıflandırılması açısından gereksizdir.

F, γB (F) = olarak tanımlanır.
B-nesneleri sistemdeki tüm nesnelere doğru sınıflandırdı. ∑ n kart (BX) / kart (U). Tüm çekirdek oranının tüm indirgemelerin ortak kısmı olduğunu ifade eder. Örneğin, COREF (B), F-çekirdek olarak adlandırılır.

Karar Kuralları

A = C ∪ D bilgi tablosu bir karar tablosu olarak görülebilir; burada C ve D sırasıyla koşul ve karar nitelikleridir ve C ∩ D = ∅. Karar niteliği D, C koşullu özelliklerinden bağımsız olan bir ayırt edilemezlik ilişkisi ID’sine neden olur; aynı kimlikteki nesneler, karar temel kümelerinde (karar sınıfları) birlikte gruplanır. Koşul öznitelik kümesindeki indirgemeler, koşul öznitelikleri ile karar sınıfları arasındaki ilgili ilişkiyi koruyacaktır ve bu ilişki bir karar kuralı ile ifade edilebilir. S’deki bir karar kuralı, Φ → Ψ olarak ifade edilir ve sanki Φ sonra Ψ (mantıksal bir ifade) gibi okunur. Φ ve Ψ sırasıyla kuralın koşulları ve kararları olarak anılır. Veri madenciliğinde, genellikle ilgili onay önlemlerini dikkate alır ve bunları RST içinde veri analizine uygularız. Aşağıdaki gibi sunulmuştur [13]. S’deki karar kuralının Φ → Ψ gücü, σs (Φ, Ψ) = destek (Φ, Ψ) / kart (U) olarak ifade edilir, burada destek (Φ, Ψ) = kart (|| Φ ∧ Ψ || s ) S’de Φ → kuralının desteği olarak adlandırılır ve kart (U) U’nun temelliğidir. Her karar kuralı ile Φ → Ψ covs (Φ, Ψ) olarak tanımlanan bir kapsam faktörü / kaplama oranını (CR) ilişkilendiririz = destek (Φ, Ψ) / kart (|| Ψ || s) olarak simgelenir.

Drsa İçin Baskınlık İlişkisinin Yaklaşımı

Kaba bir küme tabanlı kural indüksiyon tekniği, alt ve üst yaklaşımlar adı verilen bir çift net kümeyle ifade edilebilir. Baskınlığa dayalı kaba küme yaklaşımı (DRSA), ayırt edilemez bir ilişki yerine, en az bir koşullu öznitelik ve tercih sıralı sınıflara dayanan bir baskınlık ilişkisi kullanır. Yaklaşım, sınıfların yukarı ve aşağı doğru birliklerinden oluşan bir koleksiyondur. Formül şu şekildedir: Öncelikle fa, a ∈ Q kriterine göre U üzerinde bir geçiş ilişkisi olsun, öyle ki x fa y, “x, a kriterine göre en az y kadar iyidir” anlamına gelir. Fa’nın tam bir ön sipariş olduğunu varsayalım.

Üstün ilişki fa, değerlendirmelere dayanarak U üzerinde tasarlanır. Örneğin, f (x, a) ≥ f (y, a), a ne kadar büyükse, nesne o kadar tercih edilir, f (x, a) ≤ f (y, a) ise a’nın küçük olduğu anlamına gelir, nesne daha çok tercih edilir. Dahası, Cl = {Clt, t ∈ T}, T = {1, …, n}, her x ∈ U bir ve yalnızca bir Clt = Cl sınıfa ait olacak şekilde U’nun bir karar sınıfları kümesi olsun. Tüm r, s ∈T, r f s veya Clr öğelerinin, Cls öğelerine tercih edildiğini varsayalım. Buna ek olarak, eğer f, U üzerinde kapsamlı bir geçiş ilişkisiyse, varsayalım ki:

[x ∈Clr, y ∈Cls, r> s] ⇔ x ≻ y,

xfy, yfx değil, xfy anlamına gelir. Daha sonra, karar sınıfı Cl seti verildiğinde, sırasıyla yukarı ve aşağı sınıf birliklerini aşağıdaki gibi tanımlamak mümkündür:

Cl≥ =∪Cl,Cl≤ =∪Cl,t=1,…,n.

Örneğin, x ∈ Clt≥, “x’in en azından Clt sınıfına ait olduğu” anlamına gelirken, x ∈ Clt≤, “x’in en fazla Clt sınıfına ait olduğu” anlamına gelir.

Söylem evreninde üretilen ayırt edilemezlik ilişkisi, kaba küme teorisinin matematiksel temelidir. Bununla birlikte, koşul özelliklerinin kriter olduğu ve sınıfların tercihe dayalı olduğu hakimiyet temelli yaklaşımlarda, bilgi, ayırt edilemezlik yerine bir baskınlık ilişkisi kullanılarak tahmin edilmelidir. Tüm a∈P için x fa y ise, x P nesnesinin, P ⊆ C’ye göre y nesnelerine hakim olduğu söylenir.

P⊆C ve x⊆U verildiğinde, Dp + (x) = {y∈U: yfx}, P baskın küme olarak adlandırılan, x’e hakim olan bir dizi nesneyi temsil etsin ve Dp− (x) = {y ∈ U: xfy }, P ağırlıklı küme adı verilen, x’in egemen olduğu bir dizi nesneyi temsil eder. Karar sınıflarının yukarı ve aşağı doğru birlikteliklerini yaklaşık olarak belirlemek için Dp + (x) ve Dp− (x) ‘i benimseyebiliriz.

Azaltmalar ve Çekirdek Çok Amaçlı Karar Verme (62) – Bilgi Sistemi ve Yaklaşımlar – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma Drsa İçin Baskınlık İlişkisinin Yaklaşımı Kaba bir küme tabanlı kural indüksiyon tekniği Kaba Küme Teorisinin Temel Kavramları Bilgi Sistemi ve Yaklaşımlar Karar Kuralları

Çok Amaçlı Karar Verme (62) – Bilgi Sistemi ve Yaklaşımlar – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma