基于多目标决策的数据挖掘方法评估与应用

发布时间：2017-04-26 08:03

  本文关键词：基于多目标决策的数据挖掘方法评估与应用，由笔耕文化传播整理发布。

【摘要】：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。
【关键词】：方法或模型评估 多目标决策 群决策 数据挖掘
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：C934
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-22
• 1.1 研究背景与意义11-12
• 1.2 研究问题12-13
• 1.3 文献综述13-18
• 1.3.1 AHP群决策综述13-15
• 1.3.2 知识驱动的数据挖掘研究综述15-16
• 1.3.3 基于多目标决策的数据挖掘研究综述16-17
• 1.3.4 方法评估研究综述17-18
• 1.4 本文的主要贡献与创新18-19
• 1.5 本论文的结构安排19-22
• 第二章 理论基础22-36
• 2.1 多目标决策理论与方法22-27
• 2.1.1 多目标决策理论22-23
• 2.1.2 多目标决策方法23-27
• 2.2 群决策理论与方法27-31
• 2.2.1 群决策理论27-28
• 2.2.2 群决策方法28-31
• 2.3 数据挖掘理论与方法31-36
• 2.3.1 数据挖掘理论31-32
• 2.3.2 数据挖掘方法32-36
• 第三章 知识驱动的多目标决策的数据挖掘方法评估理论框架36-44
• 3.1 研究背景36-38
• 3.2 方法评估理论框架38-41
• 3.3 方法评估流程41-43
• 3.4 本章小结43-44
• 第四章 知识驱动的AHP研究44-64
• 4.1 研究动机44-45
• 4.2 AHP概述及其原理45-50
• 4.2.1 基本步骤46
• 4.2.2 建立决策层次结构46-47
• 4.2.3 构造两两对比判断矩阵47-48
• 4.2.4 层次单排序48-49
• 4.2.5 一致性检验49-50
• 4.2.6 层次总排序50
• 4.3 传统的AHP群决策方法50-53
• 4.3.1 集结个体判断矩阵51
• 4.3.2 集结个体排序51-53
• 4.4 改进的AHP群决策方法（IAHP-GDM ）53-55
• 4.5 基于专家权重的AHP群决策方法（ EWAHP-GDM）55-58
• 4.6 实证分析58-61
• 4.6.1 决策层级结构58-59
• 4.6.2 实证结果59-61
• 4.7 EWAHP-GDM方法定权重61-62
• 4.8 本章小结62-64
• 第五章 分类方法评估64-84
• 5.1 研究动机64-65
• 5.2 分类概述65-66
• 5.3 分类方法66-74
• 5.3.1 Bayes Network方法66-67
• 5.3.2 Na?ve Ba yes方法67-68
• 5.3.3 Logistic回归方法68-69
• 5.3.4 RBF Net work方法69
• 5.3.5 SMO方法69-70
• 5.3.6 IB1方法70
• 5.3.7 IBk方法70-71
• 5.3.8 J48方法71
• 5.3.9 NBTree方法71-72
• 5.3.10 Multi -Layer Perceptron方法72-74
• 5.4 分类方法的评估指标体系74-75
• 5.5 应用背景及相关数据75-76
• 5.5.1 德国信用数据集76
• 5.5.2 澳大利亚信用数据集76
• 5.6 基于方法评估理论框架的分类方法评估方案76-78
• 5.7 实证分析78-82
• 5.7.1 评估流程与步骤78
• 5.7.2 实证结果78-82
• 5.8 本章小结82-84
• 第六章 聚类方法评估84-101
• 6.1 研究动机84-85
• 6.2 聚类概述85
• 6.3 聚类方法85-88
• 6.3.1 K-Means聚类方法86
• 6.3.2 EM聚类方法86-87
• 6.3.3 FarthestFirst聚类方法87
• 6.3.4 Hierarchlcal Cluste rer聚类方法87
• 6.3.5 MakeDensityBased Clusterer聚类方法87-88
• 6.3.6 Filtered Clustererer聚类方法88
• 6.4 聚类方法的评估指标体系88-90
• 6.5 应用背景及相关数据90-91
• 6.6 基于方法评估理论框架的聚类方法评估方案91-94
• 6.7 实证分析94-98
• 6.7.1 评估流程与步骤94-95
• 6.7.2 实证结果95-98
• 6.8 讨论和分析98-99
• 6.9 本章小结99-101
• 第七章 总结与展望101-104
• 7.1 本文工作总结101-103
• 7.2 研究展望103-104
• 致谢104-105
• 参考文献105-117
• 附录117-157
• 攻读博士学位期间取得的成果157-159
• 攻读博士学位期间参与的科研项目159-160

  本文关键词：基于多目标决策的数据挖掘方法评估与应用，，由笔耕文化传播整理发布。

本文编号：328028