ارائه روش طبقه‌بندی جدید با استفاده از رویکرد ترکیبی یادگیری ماشین و تصمیم‌گیری چندمعیاره

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.

Developing a New Classification Method Based on a Hybrid Machine Learning and Multi Criteria Decision Making Approach

Objective: According to the capability of analytical network process (ANP) in analysis of different dependencies and feedback relationships among elements of a decision problem, the current research aims to develop an ANP based method for the benchmark classification problems. Since the essential limitation of ANP is the increase of inconsistency in judgment of decision makers along with increase in problem dimensions, genetic algorithm is used to optimize ANP parameters and improve classification accuracy. Methods: Considering the objective, this study is a developmental research and in term of data analysis, it’s a quantitative and mathematical modeling one. In this research, first a multi criteria decision making problem is developed based on ANP and in form of a classification problem and then the unknown parameters of a super matrix were calculated by machine learning methods. Next, the most proper values of these parameters which include thresholds of each class and the applied coefficients in the super matrix are estimated based on sample’s benchmarks or data.The following processes have been conducted througha genetic algorithm. Finally, in order to validate the proposed method, its performance is compared to some frequently used classification methods in the reviewed literature. Results: The results indicate the very competitive performance of the proposed method compared to known machine learning methods. Conclusion: Multicriteria Decision Making Methods (MCDM) are usually used for ranking purposes, however little attention has been paid to their high capabilities. In this paper ANP in combination with genetic algorithm demonstrated an efficient and suitable method in the field of data classification