يك روش تكاملي براي طبقهبندي اعتباري مبتني بر رويكرد تجميع زدايي ترجيحات

An Evolutionary Method for Credit Scoring: Preference Disaggregation Approach

مدل هاي مبتني بر روابط برتري يك شاخه مهم از روشهاي تصميم چندمعياره هستند كه نياز به تعريف مقدار قابل توجهي اطلاعات ترجيحي در قالب پارامترها توسط تصميم گيرنده دارند. تعدد پارامترها، معناي اغلب گيج كننيده آنها در فضاي مسيله و طبيعت غيردقيق دادهها، اين فرآيند را خصوصاً در مسايل طبقه بندي اعتباري با ابعاد بزرگ كه نياز به تصميم گيري بلادرنگ است بسيار زمان ير وپيچيده مي سيازد. بيدين منظور رويكرد تجميع زداييي ترجيحات اين اطلاعات را از طريق قضاوتهاي جامعي كه توسط تصميم گيرنده فراهم مي شوند استنتاج مي كند. اين رويكرد در تصميم گيري چندمعياره معادل يادگيري ماشيني در حوزه هوش مصنوعي است. تحت اين رويكرد ، اين مقاله يك روش جدييد پيشينهاد مي كند كه در آن الگوريتم ژنتيك استنتاج و در خاتمه فرآيند، پارامترهاي استنتاج شده براي طبقه بندي داده هاي آزمايشي بكار گره مي شوند. تحليل آزمايشات روي ديتاست هاي اعتباري نشان از كيفيت بالا و قابل رقابت روش پيشنهادي در مقايسه با مدل ها ي استاندارد طبقه بندي دارد.

Outranking Based Models as One of the Most Important Multicriteria Decision Methods Need the Definition of Large Amount of Preferential Information Called “Parameters” from Decision Maker. Because of the Multiplicity of Parameters, their Confusing Interpretation in Problem Context and the Imprecise Nature of Data, Obtaining All These Parameters Simultaneously Specially in Large Scale Realistic Credit Problems Which Requires Real Time Decision Making is Very Complex and Time-Consuming. Preference Disaggregation Approach Infers These Parameters from the Holistic Judgements Provided by Decision Maker. This Approach within Multicriteria Decision Methods is Equivalent to Machine Learning in Artificial Intelligence Discipline. Under this Approach this Paper Proposes a New Learning Method in Which Genetic Algorithm(GA) in an Evolutionary Process Induces All , ELECTRE TRI Model Parameters from Training Set then at the End of This Process, Classification is Done on Testing Set by Inferred Parameters. Experimental Analysis on Credit Data Shows High Quality and Competitive Results Compared With Some Standard Classification Methods