本書基于群決策、多目標(biāo)決策和數(shù)據(jù)挖掘理論與方法,充分發(fā)揮交叉學(xué)科的綜合優(yōu)勢,通過結(jié)合領(lǐng)域知識和專家經(jīng)驗,首先提出基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估理論框架。其次,通過加強領(lǐng)域知識、專家經(jīng)驗與多目標(biāo)決策方法相結(jié)合,從多目標(biāo)群決策的角度,整合優(yōu)勢資源,深入開展知識驅(qū)動的AHP研究,并提出一個確定準(zhǔn)則權(quán)重的方法,為后續(xù)章節(jié)奠定扎實的研究基礎(chǔ)。最后,面向信用風(fēng)險評估等管理學(xué)重難點應(yīng)用領(lǐng)域問題,展開分類方法評估和聚類方法評估,開展基于多目標(biāo)決策的數(shù)據(jù)挖掘的二次挖掘和知識發(fā)現(xiàn)的實證研究。其目的在于提高領(lǐng)域知識、專家經(jīng)驗在數(shù)據(jù)挖掘項目管理和評估中的作用,縮小數(shù)據(jù)挖掘結(jié)果表達力與用戶理解力之間的差距,提高數(shù)據(jù)挖掘結(jié)果的可理解性和實用性。本書充分發(fā)揮數(shù)據(jù)挖掘交叉學(xué)科的研究特色,結(jié)合機器學(xué)習(xí)、最優(yōu)化理論、人工智能等相關(guān)研究領(lǐng)域的技術(shù)優(yōu)勢,建立具有指導(dǎo)意義的方法評估理論框架和具有實踐價值的應(yīng)用實證研究。本書的重要工作總結(jié)如下:

(1)提出基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估理論框架。通過將領(lǐng)域知識、專家經(jīng)驗、群決策和多目標(biāo)決策理論引入到數(shù)據(jù)挖掘中,對基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估問題進行深入研究,提出基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估理論框架。該方法評估理論框架由三大階段和六大模塊構(gòu)成。

(2)建立基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估理論框架的實證應(yīng)用?；诜椒ㄔu估理論框架的最新研究成果,結(jié)合領(lǐng)域知識和專家經(jīng)驗,面向管理學(xué)領(lǐng)域的重難點研究問題,分別展開分類方法評估和聚類方法評估,并開展基于多目標(biāo)決策的數(shù)據(jù)挖掘的二次挖掘和知識發(fā)現(xiàn),增強挖掘結(jié)果的易理解性與實用性。

(3)本書通過把領(lǐng)域知識、專家經(jīng)驗與多目標(biāo)決策方法AHP相結(jié)合,提出IAHP－GDM和EWAHP－GDM方法。

在提出的IAHP－GDM方法中,考慮到不同的專家,其專業(yè)知識、背景經(jīng)驗和個人偏好往往不同,專家意見的權(quán)威性程度也往往不同。在專家組對目標(biāo)問題進行評估的時候,考慮決策的公平、公正性,我們?nèi)サ粢粋€最大評分和一個最小評分。另外,在構(gòu)建群決策判斷矩陣時,決策矩陣的正互反性并不能很好地得到滿足。本書進一步使用最小二乘法對群決策判斷矩陣的正互反性進行修正。

在提出的EWAHP－GDM方法中,EWAHP－GDM方法在IAHP－GDM方法的基礎(chǔ)上,首次把集結(jié)個體判斷矩陣和集結(jié)個體排序統(tǒng)一在一起,建立了兩者之間的內(nèi)在必然聯(lián)系。從理論上講,我們提出的EWAHP－GDM方法拓展了AHP群決策的偏好集結(jié)方法。從實際應(yīng)用上講,案例分析表明,我們提出的EWAHP－GDM方法顯著地提高了群決策的評估準(zhǔn)確度和區(qū)分度。同時,基于提出和開發(fā)的EWAHP－GDM方法的高評估準(zhǔn)確度和區(qū)分度,進一步拓展EWAHP－GDM方法為一種確定準(zhǔn)則權(quán)重的方法,為后續(xù)分類方法評估和聚類方法評估奠定研究基礎(chǔ)。

實證階段,針對股票、債券、房地產(chǎn)、基金四大金融產(chǎn)品,邀請了五位投資管理、風(fēng)險分析領(lǐng)域方面的專家,對其進行風(fēng)險評估,并且和傳統(tǒng)的AHP群決策方法進行對比分析。研究結(jié)果表明,本書提出的IAHP－GDM方法和EWAHP－GDM方法均是有效的。進一步通過差異度分析表明,我們的評估準(zhǔn)確度和區(qū)分度明顯提高了,相對最優(yōu)的是EWAHP－GDM方法。因此,本研究通過結(jié)合領(lǐng)域知識和專家經(jīng)驗,可以更好地為投資者,乃至投資顧問提供科學(xué)有效的投資策略選擇,具有廣泛的投資應(yīng)用前景。

(4)分類方法評估。本書通過結(jié)合領(lǐng)域知識、專家經(jīng)驗,基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估理論框架,并結(jié)合二次挖掘的深層思想,面向管理學(xué)領(lǐng)域的重難點問題——信用風(fēng)險評估問題,提出一個層次分析模型來評估和選擇最佳分類方法。該模型包括三個階段:數(shù)據(jù)挖掘階段、多目標(biāo)決策階段和二次挖掘階段。為了驗證模型的有效性,實驗選取了2個UCI信用風(fēng)險數(shù)據(jù)集、10個經(jīng)典的數(shù)據(jù)挖掘分類方法、10大績效評估指標(biāo)和4個重要的多目標(biāo)決策方法,來評估針對信用風(fēng)險分析的分類方法的性能。實驗表明,通過本書提出的層次分析模型,能夠誘導(dǎo)出一個方法優(yōu)劣排序的列表,可以快速準(zhǔn)確地識別出最魯棒的分類方法,進而快速、準(zhǔn)確地指導(dǎo)決策規(guī)避信用風(fēng)險。同時通過對研究結(jié)果展開二次挖掘和知識發(fā)現(xiàn),探索更深層次的知識和規(guī)律,能夠減少在多目標(biāo)決策環(huán)境下決策評估問題結(jié)果的不一致程度,尤其是在當(dāng)多個不同的評估方法針對特定問題,產(chǎn)生了相互矛盾的評價結(jié)果的時候。

另外,本書提出的層次分析模型不僅適用于解決分類方法的評估問題,也適用于聚類方法評估問題,同時還能夠解決管理學(xué)及決策分析領(lǐng)域中的模型評估和方法評價問題,如信用風(fēng)險管理中的信用評分模型評估。

(5)聚類方法評估。本書進一步通過結(jié)合領(lǐng)域知識、專家經(jīng)驗,基于多目標(biāo)決策的數(shù)據(jù)挖掘方法評估理論框架,相比分類方法評估,在三方面進行了拓展和延伸。在聚類方法評估的時候,提出一個針對聚類方法評估的共識支持模型來識別最佳的聚類方法以提高聚類績效。同時,本書基于二八定律展開二次知識發(fā)現(xiàn),提出一個基于三階段的共識融合模型,可以調(diào)和評價結(jié)果之間的分歧或沖突而促成滿意度最佳的共識決策。為了驗證模型的有效性,20個UCI數(shù)據(jù)集包含18310條實例和313個屬性,6個聚類方法、9個外部度量指標(biāo)和4個多目標(biāo)決策方法被用來測試和驗證我們提出的模型。研究結(jié)果表明,該模型綜合考慮了決策參與者的整體滿意度,既考慮了備選方案的最滿意排序,也考慮了最不滿意的排序,并進行定量化研究,提高了決策的公平、效率和科學(xué)性。