本书工作总结

本书基于群决策、多目标决策和数据挖掘理论与方法,充分发挥交叉学科的综合优势,通过结合领域知识和专家经验,首先提出基于多目标决策的数据挖掘方法评估理论框架。其次,通过加强领域知识、专家经验与多目标决策方法相结合,从多目标群决策的角度,整合优势资源,深入开展知识驱动的AHP研究,并提出一个确定准则权重的方法,为后续章节奠定扎实的研究基础。最后,面向信用风险评估等管理学重难点应用领域问题,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。其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。本书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方法评估理论框架和具有实践价值的应用实证研究。本书的重要工作总结如下:

(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,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,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阶段和六大模块构成。

(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的最新研究成果,结合领域知识和专家经验,面向管理学领域的重难点研究问题,分别展开分类方法评估和聚类方法评估,并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)本书通过把领域知识、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。

在提出的IAHP－GDM方法中,考虑到不同的专家,其专业知识、背景经验和个人偏好往往不同,专家意见的权威性程度也往往不同。在专家组对目标问题进行评估的时候,考虑决策的公平、公正性,我们去掉一个最大评分和一个最小评分。另外,在构建群决策判断矩阵时,决策矩阵的正互反性并不能很好地得到满足。本书进一步使用最小二乘法对群决策判断矩阵的正互反性进行修正。

在提出的EWAHP－GDM方法中,EWAHP－GDM方法在IAHP－GDM方法的基础上,首次把集结个体判断矩阵和集结个体排序统一在一起,建立了两者之间的内在必然联系。从理论上讲,我们提出的EWAHP－GDM方法拓展了AHP群决策的偏好集结方法。从实际应用上讲,案例分析表明,我们提出的EWAHP－GDM方法显著地提高了群决策的评估准确度和区分度。同时,基于提出和开发的EWAHP－GDM方法的高评估准确度和区分度,进一步拓展EWAHP－GDM方法为一种确定准则权重的方法,为后续分类方法评估和聚类方法评估奠定研究基础。

实证阶段,针对股票、债券、房地产、基金四大金融产品,邀请了五位投资管理、风险分析领域方面的专家,对其进行风险评估,并且和传统的AHP群决策方法进行对比分析。研究结果表明,本书提出的IAHP－GDM方法和EWAHP－GDM方法均是有效的。进一步通过差异度分析表明,我们的评估准确度和区分度明显提高了,相对最优的是EWAHP－GDM方法。因此,本研究通过结合领域知识和专家经验,可以更好地为投资者,乃至投资顾问提供科学有效的投资策略选择,具有广泛的投资应用前景。

(4)分类方法评估。本书通过结合领域知识、专家经验,基于多目标决策的数据挖掘方法评估理论框架,并结合二次挖掘的深层思想,面向管理学领域的重难点问题——信用风险评估问题,提出一个层次分析模型来评估和选择最佳分类方法。该模型包括三个阶段:数据挖掘阶段、多目标决策阶段和二次挖掘阶段。为了验证模型的有效性,实验选取了2个UCI信用风险数据集、10个经典的数据挖掘分类方法、10大绩效评估指标和4个重要的多目标决策方法,来评估针对信用风险分析的分类方法的性能。实验表明,通过本书提出的层次分析模型,能够诱导出一个方法优劣排序的列表,可以快速准确地识别出最鲁棒的分类方法,进而快速、准确地指导决策规避信用风险。同时通过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,能够减少在多目标决策环境下决策评估问题结果的不一致程度,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。

另外,本书提出的层次分析模型不仅适用于解决分类方法的评估问题,也适用于聚类方法评估问题,同时还能够解决管理学及决策分析领域中的模型评估和方法评价问题,如信用风险管理中的信用评分模型评估。

(5)聚类方法评估。本书进一步通过结合领域知识、专家经验,基于多目标决策的数据挖掘方法评估理论框架,相比分类方法评估,在三方面进行了拓展和延伸。在聚类方法评估的时候,提出一个针对聚类方法评估的共识支持模型来识别最佳的聚类方法以提高聚类绩效。同时,本书基于二八定律展开二次知识发现,提出一个基于三阶段的共识融合模型,可以调和评价结果之间的分歧或冲突而促成满意度最佳的共识决策。为了验证模型的有效性,20个UCI数据集包含18310条实例和313个属性,6个聚类方法、9个外部度量指标和4个多目标决策方法被用来测试和验证我们提出的模型。研究结果表明,该模型综合考虑了决策参与者的整体满意度,既考虑了备选方案的最满意排序,也考虑了最不满意的排序,并进行定量化研究,提高了决策的公平、效率和科学性。