分解目标决策数据分析

本书通过将领域知识、专家经验、群决策和多目标决策理论引入到数据挖掘中,对基于多目标决策的数据挖掘方法评估问题进行深入研究。面向信用风险等管理学重难点应用领域,展开分类方法评估和聚类方法评估,开展基于多目标决策的数据挖掘的二次挖掘和知识发现的实证研究。目的在于提高领域知识、专家经验在数据挖掘项目管理和评估中的作用,缩小数据挖掘结果表达力与用户理解力之间的差距,提高数据挖掘结果的可理解性和实用性。作为一门交叉学科,数据挖掘的发展是建立在不断地从相关学科学习先进的理论和方法的基础之上的。本书将充分发挥数据挖掘交叉学科的研究特色,结合机器学习、最优化理论、人工智能等相关研究领域的技术优势,建立具有指导意义的理论框架和具有实践价值的应用实证研究。本书的主要贡献和创新点如下:

(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的方法评估理论框架。该模型评估框架由三大阶段和六大模块组成。

(2)针对分类方法评估和聚类方法评估,分别提出对应的层次分析模型和共识支持模型,开展基于多目标决策的数据挖掘的二次挖掘和知识发现。基于方法评估理论框架的研究成果,面向管理学领域的重难点问题,展开分类方法评估和聚类方法评估,分别提出对应的层次分析模型和共识支持模型,开展基于多目标决策的数据挖掘的二次挖掘和知识发现,增强挖掘结果的易理解性与实用性。

(3)把领域知识、专家经验与多目标决策方法即层次分析法AHP相结合,提出IAHP－GDM方法和EWAHP－GDM方法。主要贡献归纳如下:①首次把集结个体判断矩阵(AIJ)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;②提出的EWAHP－GDM方法还被进一步扩展成一种可以确定准则权重的方法。该权重确定方法为后续章节分类方法评估和聚类方法评估中的多目标决策阶段奠定了扎实的研究基础。

(4)在分类方法评估中,其创新点主要归纳为三点:①通过融合领域知识、专家经验,结合多目标决策和数据挖掘理论与方法,针对特定领域的数据集,提出一个三阶段的层级分析模型来评估分类方法的性能;②通过生成一个方法优先级列表,能够识别绩效高、稳定性能好的鲁棒的分类方法;③对研究结果展开二次挖掘和知识发现,探索更深层次的知识和规律,并且能够减少在多目标决策环境下评价结果的不一致程度,尤其是在当多个不同的评估方法针对特定问题,产生了相互矛盾的评价结果的时候。

(5)在聚类方法评估中,其创新点同样可归纳为三点:①提出的共识支持模型对于给定的数据集,可以很好地识别最佳的聚类方法;②该模型在聚类方法评估时,可以调和评价结果之间的分歧或冲突,从而促成满意度最佳的共识决策;③在二次挖掘阶段,基于二八定律,同样一个基于三阶段的共识融合模型被提出进行二次知识发现,该模型同时考虑了备选方案的最满意排序和最不满意排序,提高了决策的公平、效率和科学性。