![سامانه نشر مجلات علمی دانشگاه تهران](./data/logo.png)
تعداد نشریات | 162 |
تعداد شمارهها | 6,578 |
تعداد مقالات | 71,072 |
تعداد مشاهده مقاله | 125,689,483 |
تعداد دریافت فایل اصل مقاله | 98,918,716 |
ارائه روش طبقهبندی جدید با استفاده از رویکرد ترکیبی یادگیری ماشین و تصمیمگیری چندمعیاره | ||
مدیریت صنعتی | ||
مقاله 5، دوره 11، شماره 4، 1398، صفحه 675-692 اصل مقاله (722.78 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/imj.2019.280023.1007586 | ||
نویسندگان | ||
مهدی همایون فر1؛ امیر دانشور* 2؛ بیژن نهاوندی3؛ فریبا فلاح4 | ||
1استادیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. | ||
2استادیار، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران. | ||
3استادیار، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران. | ||
4کارشناس ارشد، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران. | ||
چکیده | ||
هدف: از آنجا که در مسائل طبقهبندی به تحلیل انواع وابستگیها و روابط بازخوردی میان معیارهای یک مسئله کمتر پرداخته شده است و با توجه به قابلیت فرایند تحلیل شبکهای (ANP) در مدلسازی روابط متقابل بین معیارها، هدف این پژوهش ارائه روشی مبتنی بر ANP برای مسائل طبقهبندی است. محدودیت اساسی ANP، افزایش ناسازگاری قضاوت تصمیمگیرندگان همراه با افزایش ابعاد مسئله است، از این رو بهمنظور بهینهسازی پارامترهای مسئله و افزایش صحت طبقهبندی، از الگوریتم ژنتیک استفاده خواهد شد. روش: پژوهش حاضر از نظر هدف، توسعهای و از نظر روش تحلیل دادهها کمّی و از نوع مدلسازی ریاضی است. در این پژوهش، ابتدا مسئله طبقهبندی دادهها با در نظر داشتن روابط متقابل معیارها در قالب روش تصمیمگیری چندمعیاره ANP تبیین شد. در ادامه، مقدار پارامترهای مسئله، شامل وزن معیارها و آستانههای هر کلاس بهکمک الگوریتم ژنتیک از سوپرماتریس برآورد شد و در نهایت، برای ارزیابی روش پیشنهادی و عملکرد آن، نتیجه با روشهای پرکاربرد طبقهبندی مقایسه شد. یافتهها: نتایج پژوهشهای مقایسهای روی دیتاستهای اعتباری با ابعاد مختلف، قابلیت رقابتی بسیار خوب روش پیشنهادی را در مقایسه با روشهای شناختهشده یادگیری ماشینی نشان داد. نتیجهگیری: روشهای تصمیمگیری چندمعیاره، اغلب برای رتبهبندی استفاده شدهاند، این در حالی است که به قابلیت بسیار خوب این روشها در طبقهبندی دادهها کمتر توجه شده است. فرایند تحلیل شبکهای در ترکیب با الگوریتم ژنتیک، روشی کارا و مناسب در حوزه طبقهبندی دادهها را به نمایش میگذارد. | ||
کلیدواژهها | ||
فرایند تحلیل شبکهای؛ طبقهبندی؛ یادگیری ماشین؛ الگوریتم ژنتیک | ||
مراجع | ||
دانشور، امیر؛ زندیه، مصطفی؛ ناظمی، جمشید (1394). یک روش تکاملی برای طبقهبندی اعتباری مبتنی بر رویکرد تجمیعزدایی ترجیحات. مطالعات مدیریت صنعتی، 13 (4)، 1-34. دانشور، امیر؛ همایونفر، مهدی؛ اخوان، الهام (1398). توسعه روش طبقهبندی دیتاستهای نامتوازن با استفاده از الگوریتمهای تکاملی چندهدفه. مطالعات مدیریت صنعتی، 17 (4)، 161-183. دانشور، امیر؛ همایونفر، مهدی؛ فرهمندنژاد، آنیا (1398). توسعه یک روش هوشمند خوشهبندی چندمعیاره مبتنی بر پرامیتی. چشمانداز مدیریت صنعتی، 9 (4)، 41-61. زرینصدف، مسعود؛ دانشور، امیر (1395). روش کارای یادگیری ترجیحات مبتنی بر مدل ELECTRE TRI بهمنظور طبقهبندی چندمعیار موجودی. مجله مدیریت صنعتی، 8 (2)، 191-216.
References Aragonés-Beltrán, P., Aznar, J., Ferrís-Oñate, J., & García-Melón, M. (2008). Valuation of urban industrial land: an analytic network process approach. European Journal of Operational Research, 185 (1), 322–339. Baccour, L. (2018). Amended fused TOPSIS-VIKOR for classification (ATOVIC) applied to some UCI data sets. Expert Systems with Applications, 99, 115-125. Chung, S.H., Lee, H.I., & Pearn, W.L. (2005). Analytic network process (ANP) approach for product mix planning in semiconductor fabricator. International Journal of Production Economics, 96, 15–36. Daneshvar, A., Homayounfar, M., & Akhavan, E. (2020). Developing a classification Method for Imbalanced Dataset Using Multi-Objective Evolutionary Algorithms. Industrial Management Studies, 17 (4), 161-183. (in Persian) Daneshvar, A., Homayounfar, M., & Farahmandnejad, A. (2020). Developing an Intelligent Multi Criteria Clustering Method Based on PROMETHEE. Journal of Industrial Management Perspective, 9 (4), 41-61. (in Persian) Daneshvar, A., Zandieh, M., & Nazemi, J. (2015). An evolutionary method for credit scoring; Preference Disaggregation approach. Industrial Management Studies, 13 (4), 1-34. Demsar, J. (2006), Statistical comparisons of classifiers over multiple datasets. Journal Doumpos, M., Zopounidis, C. (2002). Multicriteria Decision Aid Classification Methods. Kluwer, Dordrecht. Kartal, H., Oztekin, A., Gunasekaran, A., & Cebi, F. (2016). An integrated decision analytic framework of machine learning with multi-criteria decision making for multi-attribute inventory classification. Computers & Industrial Engineering, 101, 599-613. Kou, G., Peng, Y., & Wang, G. (2014). Evaluation of clustering algorithms for financial risk analysis using MCDM methods. Information Sciences, 275, 1-12. Lee, J.W., Kim, S.H. (2000). Using analytic network process and goal programming for interdependent information system project selection, Computers and Operations Research, 27, 367–382. Marqués, A.I., Garcia, V., & Sánchez, J.S. (2012). Exploring the behavior of base classifiers in credit scoring ensembles. Expert Systems with Applications, 39 (11), 10244-10250. Massam, B.H. (1988). Multicriteria Decision Making Techniques in Planning, Pergamon, NY. Meade, L.M., Presley, A. (2002). R&D project selection using the analytic network process, IEEE Transactions on Engineering Management, 49 (1), 59–66. Meade, L.M., Sarkis, J. (1999). Analyzing organizational project alternatives for agile manufacturing processes: an analytical network approach. International Journal of Production Research, 37(2), 241–261. Ngai, E.W.T., Hu, Y., Wong, Y.H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50 (3), 559-569. Niemira, M.P., Saaty, T.L. (2004). An analytic network process model for financial-crisis forecasting. International Journal of Forecasting, 20 (4), 573-587. Nikam, S.S. (2015). A Comparative Study of Classification Techniques in Data Mining Algorithms. Computer Science and Technology, 8 (1), 13-19. Ravi, V., Shankar, R., Tiwari, M.K. (2005). Analyzing alternatives in reverse logistics for end-of-life computers: ANP and balanced scorecard approach. Computers & industrial engineering, 48 (2), 327-356. Saaty, T.L. (1996). The Analytic Network Process, RWS Publications, Pittsburgh. Saaty, T.L. (2001). Analytic network process. Encyclopedia of Operations Research and Management Science. Springer, 28-35. Tuzkaya, U.R., Önüt, S. (2008). A fuzzy analytic network process based approach to transportation-mode selection between Turkey and Germany: a case study, Information Sciences, 178 (15), 3133–3146. Wang, W., Wang, Z., Klir, G.J. (1998). Genetic algorithms for determining fuzzy measures from data, Journal of Intelligent and Fuzzy Systems, 6, 171–183. Wolfslehner, B., Vacik, H., & Lexer, M.J. (2005). Application of the analytic network process in multicriteria analysis of sustainable forest management, Forest Ecology and Management, 207, 157–170. Yüksel, I., Dagdeviren, M. (2007). Using the analytic network process (ANP) in a SWOT analysis – a case study for a textile firm, Information Sciences, 177 (16), 3364–3382. Zarrin Sadaf, M., Daneshvar, A. (2016). An efficient preference learning method based on ELECTRE TRI model for multi-criteria inventory classification. Industrial Management Journal, 8 (2), 191-216. (in Persian) | ||
آمار تعداد مشاهده مقاله: 1,619 تعداد دریافت فایل اصل مقاله: 1,043 |