Çok Amaçlı Karar Verme (57) – Ampirik Sonuç – 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. Ampirik Sonuç Sınıflandırmanın karmaşık problemlerini genişletmek için kombinasyon değerlerinin özelliklerini göstermek için bir dizi tek seçmeli soru tasarlanır ve çoktan seçmeli sorular kullanılır. Kombinasyon değerlerinin özellikleri, karar kurallarının sayısını artıracaktır. Bu çalışma, müşteri ihtiyaçları için 8 kural ve ürün satın almama nedenleri için 4 kural oluşturmuştur. Tablo 19.9 ve 19.10'da sırasıyla müşteri ihtiyaçlarına ve satın almama nedenlerine ilişkin karar kuralları listelenmiştir. Ürün satın almayanların sebepleri şu şekildedir: Ekonomik yetenekleri zayıf olan 25 yaşın altındaki insanlar Yıllık prim neredeyse 10.000 NT $ 'ın altında (313 US $) Satın alma amaçları bağış, yaşam, eğitim ve vergi indirimi Sigorta ürünleri satın alan müşteriler için aşağıdakiler geçerlidir: • En çok satın alınan sigorta ürünü hayat sigortasıdır. • Ortalama yıllık prim ücreti 30.000 ABD Dolarının (938 ABD Doları) altındadır, ancak prim ücreti yaşa göre artar. • Sigorta ürünleri satın alanların çoğu kadın. • Satın almanın amacı bağıştır. • Sigortanın beklentisi prim iadesidir. Tartışmalar Kaba küme teorisi, sınıflandırmayı özniteliklerle aynı değerlere göre işlemek için matematiksel bir yöntem kullanır. Temel kümeler, aralarında aynı derecedeki ilişkiyi ortaya çıkarabilir ve bu da karar kurallarını ortaya çıkarabilir. Kaba küme teorisinin sınırlaması, örneklem dışı verilerin önceki bulgu karar kuralları tarafından tanımlanmamış olmasıdır. Yeni birleştirme verileri kendilerine yeni kurallar oluşturacaktır. Böylelikle, bu ampirik çalışmada karar kurallarının uygulanabilirliğini kontrol etmek için hit testine 50 doğrulama örneklem veri seti eklenmiş ve sonuçlar aşağıda gösterilmiştir; isabet oranı% 100'e ulaşır. Tablo 19.11'den, yeni birleştirme nesnelerinin bu karar sınıfları arasındaki sınıflara hala uyabileceği açıktır. Bu arada, her kuralın açıklaması (veya her kuralın derece doğruluğu) ne kadar geniş olursa, isabet oranı o kadar yüksek olacaktır. Esasen, temel sorun bu deneyde veri seti sınıflandırmasıdır ve kombinasyon değerlerine sahip çoktan seçmeli öznitelikler verilerin ayrık derecesini artırabilir. Birkaç yaklaşım benimsenebilir. Birincisi, sorunu çözmek için değer sınıfı aralığını daraltmak için öznitelik değerlerini yeniden tanımlamaktır. Katılımcıyı yanıltmaktan kaçınmak için, soruda sigorta teorisinin özel terminolojisinin kullanılmasının ihmal edildiğine dikkat edilmelidir. Öznitelik değeri sınıfı yeniden tanımlandıktan sonra, gruplanmamış veri hızı% 79'dan% 53'e düşerek öznitelik değeri sınıfı yeniden tanımlandıktan sonra 194 temel kümenin üretildiğini gösterir, bu 148 kümenin yalnızca bir nesnesi vardır. Bu, öznitelik değeri sınıfının yeniden tanımlanmasının temel kümelerin sayısını 246'dan 194'e düşürdüğünü gösterir. Bu çalışmada karşılaşılan benzersiz veriler, kendi başına ayrı bir sınıfa sınıflandırılır. Koşul bölümündeki karar kuralıyla ilgili veri setlerinin içeriğini anlamak zordur. Aksine, karar kısmında çok fazla benzersiz veri (birçok temel kümede oluşturulmuş) gibi karar kurallarının sayısı artacaktır. Çok fazla karar kuralı üretilirse, bu karar vericiye faydalı olmayacaktır. Tek bir nesne kümesi koşul bölümünde olduğundan, karar sınıflarından biriyle eşleşecek ve daha düşük yaklaşımı artıracaktır. Alt yaklaşımın yanı sıra üst yaklaşım da artırılır. Yanlış görüntü olan daha yüksek bir sınıflandırma oranı verir. Daha yüksek sınıflandırma oranı, sınıftaki nesnelerin bu nesnelerin koşul öznitelikleri arasında daha yüksek bir bağımlılığa sahip olabileceğini gösterir. Aşağıda görüldüğü gibi, 148 set (sınıf) bazı karar sınıflarına eklenecek tek bir nesneye sahiptir ve alt ve üst yaklaşım artırılacaktır. Ancak bu, yanlış bir yaklaşıklık oranı verir. Ek olarak, her öznitelik değerinin sayısı sınıf numarasını etkileyebilir, bu da her öznitelik için aynı büyüklükte değer kümesinin verilerin sınıflar halinde gruplanmasına katkıda bulunacağını düşündürür. Başka bir yaklaşım, kaba küme teorisinin bulanık teori, yapay sinir ağı teorisi, genetik algoritmalar (GA), genetik programlama (GP) gibi diğer yöntemlerle birlikte uygulandığı hibrit sistem olarak adlandırılır. Hassan ve Tazaki 2001; Huang ve diğerleri 2005). Kaba küme teorisinin çoktan seçmeli sorulara dahil edilmesinin araştırılması yukarıda özetlenmiştir; temel setlerin sayısını önemli ölçüde etkiler. "Uzmanlar" kullanılarak kabaca belirlenmiş kurallarda türetilen bir sınırlama olduğundan, ön işleme görevlerinde verilerin derlenmesine uzmanların katkılarının önemi göz ardı edilemez. Farklı uzmanlar, bir uzmana aşırı güvenmek olarak karar verme konusunda farklı görüşlere ve tercihli tutumlara sahip olabilir. Öte yandan, yeniden sınıflandırılan değer sınıfları, kural tanımlama hassasiyetini azaltacaktır. FUSINTER tekniği ve VPRS gibi, kaba küme teorisinin test edilebilirliğini artırabilecek nitelik (özellik) çıkarımı için başka yöntemler de olabilir (Beynon ve Peel 2001). Şimdilik, kombinasyon değerleri sorusu odaklanmıştır ve değerleriyle birlikte optimal olarak ayrık niteliği, derinlemesine araştırma için bir konu olabilir. Sonuçlar Bu çalışma, sonuçların Tayvan'daki sigorta pazarının gerekliliklerine uygun olduğunu göstermektedir. Bir anketin sonuçlarından aşağıdaki bulgular çıkarılır: • Sigorta alıcılarının çoğu bayandır. • 25–35 yaş en yüksek sigortalı sınıftır. • Sigortanın amacı bağıştır. • Kabul edilebilir yıllık prim 19.999 NT $ 'ın (625 US $) altındadır. • En çok satın alınan sigorta ürünleri hayat sigortasıdır. • Bekleyen, prim iadesi. Çoktan seçmeli soru, temel setlerin sayısını etkileyecektir. Girdi verilerini ön işleme görevinde uzmanın katkısı önemlidir. Yeniden tanımlanan öznitelik değerlerinin temel kümeleri daraltabileceğini ve bir nesnenin çok fazla kümesinin sınıflandırma doğruluğunu azaltacağını gösteriyoruz. Ek olarak, her nitelik değerinin sayısı sınıf numarasını etkileyebilir. Ayrıca, çoktan seçmeli sorular birçok kombinasyon değerine sahip olabilir. Bir sorunun cevabının karakterleri benzersizse, yeniden sınıflandırma iyi sonuç vermeyecektir. Burada, kaba küme teorisini kullanmanın öznitelik kombinasyon değerleri altında çok fazla kuralın eksikliklerini çözebilecek olan, kural çıkarımı yapmak için GP ile birleştirilmiş kaba küme teorisi olan bir hibrit sistem öneriyoruz. Bu, daha fazla çalışmanın konusu olacaktır. Örnek : Alan Yaş (c1) Cinsiyet (c2) Meslek (c3) Amaç (c5) Satın alınan ürünler (c6) Kabul edilebilir prim (c7) Kuzey bölgesi; Kuzeydoğu bölgesi 19-76 Kadın; erkek Öğrenci; çalışan; çalışan; emekli... Bağış; hayat; Eğitim; sağlık; vergi tasarrufu; diğerleri Hayat Sigortası; sosyal sigorta; grup sigortası 100.000 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.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (11) – Üstel Ölçeklerin Kullanımına İlişkin Bazı Örnekler – 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.


Önceki yazımızda yer alan nedenlerden dolayı, önceki karar verme sorunu, iki değerlendirme kriterinin tüm olası ağırlıkları için çözüldü. Kriter 1’e WI ağırlığı verilirken, ikinci değerlendirme kriterine ağırlık w2 = 1 – WI (burada 1; :::: WI; :::: 0) atanmıştır. Bu şekilde toplam 100 farklı ağırlık kombinasyonu incelenmiştir.

İki değerlendirme kriterinin önem ağırlıklarının bu kombinasyonlarının her biri için, karar verme problemi revize edilmiş AHP kullanılarak çözüldü (Belton ve Gear [1983] tarafından tanıtıldığı üzere, ayrıca bkz. Bölüm 2.2.4). [Triantaphyllou ve Mann, 1989] ‘da (veya Bölüm 9’da) revize edilmiş AHP’nin diğer MCDM yöntemleriyle karşılaştırıldığında daha iyi performans gösterdiği bulundu. Yukarıdaki karar verme problemlerinin her biri için en iyi ve en kötü alternatif (yani bir ölçek) kaydedildi.

En iyi ölçeklerle ilgili sonuçlar Şekil 3-7’de gösterilmektedir. Benzer şekilde, en kötü ölçeklerle ilgili sonuçlar Şekil 3-8’de gösterilmektedir. Her iki durumda da en iyi veya en kötü ölçekler, ilk değerlendirme ölçütünün (veya eşdeğer olarak, ikinci değerlendirme ölçütünün) ağırlığı ve setin büyüklüğünün farklı değerleri için verilir.

Hesaplama sonuçları, yalnızca çok az ölçeğin en iyi veya en kötü ölçekler olarak sınıflandırılabileceğini göstermektedir. Aynı ölçeğin (örneğin, ölçek # 78) bazı WI ağırlık değerleri için en iyi ölçeklerden biri olarak ve ayrıca WI ‘ağırlığının diğer değerleri için en kötü ölçek olarak sınıflandırılması mümkündür Muhtemelen en önemlisi gözlem, sonuçların tüm durumlar için en iyi ölçek olan tek bir ölçeğin olmadığını çok açık bir şekilde göstermesidir. Benzer şekilde, aynı sonuçlar, tüm durumlar için en kötü ölçek olan tek bir ölçek olmadığını da göstermektedir.

Bununla birlikte, bu hesaplama sonuçlarına göre, en iyi ölçek yalnızca n (yani setin boyutu) biliniyorsa ve iki değerlendirme kriterinin ağırlıklarının göreceli önemi değerlendirilmişse belirlenebilir. Şekil 3-7’den, bazen iki değerlendirme kriterinin benzer ağırlıkları altında, aynı ölçeğin en iyi olarak sınıflandırılabileceğini gözlemlemek de ilginçtir. Aynı şey Şekil 3-8’de gösterilen en kötü ölçekler için de geçerlidir. Bu fenomen, bazen göreceli ağırlıkların yaklaşık bir değerlendirmesinin en iyi veya en kötü ölçeği başarılı bir şekilde belirlemek için yeterli olduğunu göstermektedir.

SONUÇLAR

Bu bölümde anlatılan hem teorik hem de ampirik analizler, ölçek konusunun karmaşık bir konu olduğunu ortaya koymuştur. Çeşitli teorik ve ampirik sonuçlar, tüm durumlar için her zaman en iyi ölçek veya en kötü ölçek olarak sınıflandırılabilecek tek bir ölçek olmadığını göstermiştir. Mevcut araştırma, ideal olarak bireysel tercihi temsil eden, iki varlık arasında karşılaştırmanın gerçek değerli bir derecelendirmesinin var olduğu varsayımına dayanmaktadır. Ancak karar verici bunu ifade edemez, bu nedenle sonlu ve kesikli seçenekleri olan bir ölçek kullanmak zorundadır.

Çeşitli ölçeklerin etkililiğini incelemek için, ayrıca karar vericinin yargılarını olabildiğince doğru bir şekilde ifade edebileceği senaryoyu varsaydık. Bu senaryo altında, karar vericinin bilinmeyen RCP matrisleri yerine ikili karşılaştırmalarla CDP matrisleri oluşturabileceği varsayılmaktadır. Bu ayara dayanarak, CDP matrisleri kullanılarak türetilen sıralamanın RCP matrislerinin ima ettiği gerçek (ve dolayısıyla bilinmeyen) sıralamadan nasıl farklı olduğunu incelemek için bir dizi hesaplama deneyi yapıldı.

Hesaplama sonuçları, her durumda en iyi olan tek bir ölçek olmadığını ortaya koydu. Burada, bir RCP matrisi (ve sayısal değerlere sahip bir ölçek) verildiğinde, ona en iyi yaklaşan bir ve yalnızca bir CDP matrisi olduğu vurgulanmalıdır. Dahası, bu CDP matris modeli RCP matrisinin ima ettiğinden farklı bir sıralama vermeyebilir.

Varlıklar arasındaki karşılaştırmanın gerçek değerli bir derecelendirmesinin olduğunu kabul eden mevcut olana alternatif bir varsayım, gerçek varlığın karar verici tarafından verilen CDP matrisi olabileceği önermesini dikkate almaktır. Bu durumda RCP matrisi belki sadece bir yanılsamadır. Daha sonraki durumda, tercihin tersine çevrilmesi çok farklı bir sonuca götürür: CDP tek “gerçek şey” ise, o zaman bireyin [1 / ~, l / Vi_l] veya [~ -l aralığını göstermesi gerektiği anlamına gelir. ‘~] değerleri yerine V ;. diğer bir deyişle, tercihin tersine çevrilmesi etkileri, iki varlığın kayıtsız kalacağını gösterir.

Belirli bir durumda uygun ölçeği belirlemek için belirli faktörlerin analiz edilmesi gerekecektir. İlk olarak karşılaştırılacak varlıkların n sayısı bilinmelidir. İkinci olarak, iki değerlendirme kriterinin göreceli önemi değerlendirilmelidir. Bu değerlendirme kriterleri, bir ölçek kullanıldığında ortaya çıkabilecek olası sıralama tersine çevirmeleri ve sıralama ayrımlarıyla ilgilenir. Bu faktörler değerlendirildiğinde, Şekil 3-7 her vaka için en iyi ölçeği göstermektedir. Benzer şekilde, Şekil 3-8, her durum için en kötü ölçeği göstermektedir.

Örneğin, 15 üyeli bir setin ağırlık değerlerinin değerlendirilmesi gerektiğini varsayalım. Dahası, belirli bir uygulamada sıralamanın tersine çevrilmesinin, ayrım gözetmeden sıralamadan çok daha ciddi olarak değerlendirildiğini varsayalım. Diğer bir deyişle, birinci değerlendirme kriterinin ağırlığı, ikinci kriterin ağırlığından daha yüksek kabul edilir. Bu bilgiyi kullanarak, Şekil 3-7’nin Sınıf 2’deki 22 numaralı ölçeğin kullanılmasını önerdiğini görebiliriz (yani, ‘Y = 0.02 parametresine sahip üstel bir ölçek). Ayrıca, Şekil 3-8, bu durum için en kötü ölçeğin Sınıf 2’den ölçek # 77 olduğunu göstermektedir (yani, ‘Y = 1.12 parametresine sahip üstel bir ölçek).

Aynı rakamlar, en iyi veya en kötü ölçeğin seçiminin belirli koşullar altında net olmadığını da göstermektedir. Örneğin, üye sayısı 15’ten fazla olduğunda ve iki değerlendirme kriteri neredeyse eşit önemde olduğunda. Bu gibi durumlarda, belirli bir uygulama için en iyi ölçeğin ne olduğuna karar vermeden önce, probleme ilişkin içgörüyü artırmak için farklı ölçeklerle deney yapılması önerilir.

Bu bölümdeki hesaplama deneyleri (Şekil 3-7’de gösterildiği gibi), üstel ölçeklerin sayısal olarak orijinal Saaty ölçeğinden (yani Ölçek 1) daha verimli (yani daha kararlı) olduğunu göstermektedir. Şekil 3-7’de yalnızca Saaty tabanlı iki ölçek (yani # 19 ve # 21 ölçekleri) mevcuttur. Aslına bakılırsa, en fazla 10 varlıklı setler için # 21 ölçeği geniş bir ağırlık aralığında en iyisidir. Şekil 3-8’deki tüm en kötü ölçeklerin üstel sınıftan (yani Sınıf 2) geldiğini de belirtmek gerekir.

Bununla birlikte, Bölüm 3.3’teki çeşitli örneklerin önerdiği gibi, insanlar, çok çeşitli durumlarda dışsal ölçekler gibi görünmektedir. Bu nedenle, üstel ölçekler, ikili karşılaştırmaları ölçmenin en makul yolu gibi görünmektedir. Bu bölümdeki hesaplama sonuçları, belirli bir ikili karşılaştırma kümesini ölçmek için en uygun üstel ölçeği seçmek için bir kılavuz sağlar.

Son olarak, veriler nitel olduğunda ölçek probleminin çok önemli bir konu olduğu ve bu nedenle ikili karşılaştırmalar kullanılarak belirlenmesi gerektiği burada vurgulanmalıdır. Bu tür nitel veriler, gerçek yaşamdaki birçok karar verme problemi için ilgili bilgileri yakalayabilir. Bu bölümde açıklanan çalışmanın alternatif bir bakış açısı, gelecekte ikili karşılaştırmalar kullanmayan ve dolayısıyla ikili karşılaştırma metodolojilerinin muadili olan yöntemlerle benzer bir araştırma yapmak olacaktır.

Bununla birlikte, ikili karşılaştırmalar bu tür nitel verileri tahmin etmek için esnek ve aynı zamanda gerçekçi bir yol sağladığından, bir MCDM problemine başarılı bir çözüm için ölçek probleminin tüm yönlerinin derinlemesine anlaşılması gerektiğini takip eder.


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.