دسته بندی تکنیک های تصمیم گیری چند معیاره گسسته (MADM)

در این تحقیق سعی بر این است كه دسته بندی جدیدی از تكنیك های تصمیم گیری چند معیاره گسسته (MADM1 ) ارائه شود

دسته بندی تکنیک های تصمیم گیری چند معیاره گسسته (MADM)

در این تحقیق سعی بر این است كه دسته بندی جدیدی از تكنیك های تصمیم گیری چند معیاره گسسته (MADM[1] ) ارائه شود. در این راستا ابتدا، مباحث مقیاس دو قطبی فاصله ای‌، بی مقیاس كردن، ارزیابی اوزان برای شاخص ها و MADM فازی بیان شده تا مطالب فصل های بعدی مفهوم تر شود. بر پایه این مقدمات، تکنیک های MADM کلاسیک مورد بررسی قرار گرفته و بدین منظور، دسته بندی ذكر شده در كتاب «تصمیم گیری های چند معیاره» تالیف دكتر اصغرپور مرور می شود كه بر اساس این چشم انداز تكنیك های MADM کلاسیک به دو دسته عمده تقسیم می شوند: جبرانی و غیرجبرانی.

با توجه به اینكه در این روشها، مقادیر ماتریس تصمیم گیری اعداد قطعی (غیر فازی) هستند، مجموعه این روشها، «تکنیک های MADM كلاسیك» خوانده می شود.

پس از بررسی تکنیک های MADM كلاسیك، سعی شد، متدهای جدید MADM شناسایی و بررسی شود که نتیجه این تحقیقات و بررسی ها در فصل سوم آورده شده است.

با توجه به اینکه هدف از این تحقیق ارائه دسته بندی های جدیدی از تکنیک های MADM است، این تکنیک ها بررسی و در نهایت، 7 نوع دسته بندی مختلف ارائه و توجیه شده است.

کلید واژه ها: تصمیم گیری های چند معیاره، MADM، دسته بندی تکنیکهای MADM.

فهرست مطالب:

مقدمه. 1

فصل اول. 4

مقیاس دو قطبی فاصله ای- 5

بی مقیاس کردن- 5

بی مقیاس کردن با استفاده از نرم6

بی مقیاس کردن خطی- 6

بی مقیاس کردن فازی- 7

ارزیابی اوزان (W_j) برای شاخص ها7

تکنیک آنتروپی- 7

روش LINMAP- 8

روش کمترین مجذورات وزین شده8

تکنیک بردار ویژه10

MADM فازی- 11

تعریف زیرمجموعه فازی- 11

روشهای رتبه بندی فازی U_i (فازی)19

رتبه بندی با به کارگیری درجه بهینگی- 19

روش باآس-کواکرناآک-- 19

روش بالدوین- 21

رتبه بندی با به کارگیری فاصله همینگ-- 24

رتبه بندی توسط مقاطع - 24

روش آدامو- 25

روش باکلی- 25

روش مابوچی- 25

رتبه بندی فازی با روش لفظی- 28

فصل دوم29

تکنیک های MADM کلاسیک-- 30

مدل های غیر جبرانی- 30

روش تسلط- 32

روش ماکسی مین- 32

روش ماکسی ماکس-- 32

روش رضایت بخش شمول- 33

روش رضایت بخش خاص--- 34

روش لکسیکوگراف-- 34

روش نیمه لکسیکوگراف-- 35

روش حذف-- 35

روش پرموتاسیون- 36

روش رتبه ای از پرموتاسیون- 37

مدل های جبرانی- 38

زیرگروه نمره گذاری و امتیازدهی- 38

روش مجموع ساده وزین (SAW)38

روش مجموع وزین و رده بندی شده39

روش مجموع ساده وزین با کنش متقابل- 40

زیرگروه سازشی- 43

روش LINMAP- 43

روش TOPSIS- 46

روش MRS- 49

روشMDS- 51

زیرگروه هماهنگ-- 53

روش ELECTRE- 54

روش تخصیص خطی- 56

روش AHP- 58

AHP گروهی- 60

ساختار غیر رده ای و توام با بازخور- 60

فصل سوم64

تکنیک های جدید MADM-- 65

روش های فازی با مجموع وزین- 65

روش باآس-- 66

روش کواکرناآک-- 67

روش دوبوس-- 68

روش چنگ-- 70

روش بونیسون- 71

استفاده از AHP به صورت فازی- 72

روش باکلی- 73

TOPSIS فازی- 77

ELECTRE GD- 79

ELECTRE TRI83

FMADM برای GDM-- 87

TOPSIS برای GDM-- 95

GRA (Grey Relational Analysis)- 97

AIRM-- 99

رویکرد ER (Evidential Reasoning)100

DS-AHP- 111

MP-MADM-- 112

فصل چهارم116

دسته بندی تکنیک های MADM-- 117

دسته بندی براساس نوع اطلاعات دریافتی از DM-- 118

دسته بندی براساس نوع کاربرد روش-- 121

دسته بندی براساس فازی و غیر فازی بودن- 123

دسته بندی براساس تعداد DM-- 125

دسته بندی بر مبنای قطعی یا احتمالی بودن اطلاعات- 128

دسته بندی براساس کامل یا ناقص بودن اطلاعات ورودی- 129

دسته بندی براساس تعداد دوره های تصمیم گیری- 131

منابع 133

برچسب ها : دسته بندی تکنیک های تصمیم گیری چند معیاره گسسته (MADM) , دسته بندی , تکنیک های تصمیم گیری چند معیاره گسسته , MADM , تصمیم گیری چند میعاره , پروژه , تحقیق , مقاله , پژوهش , دانلود پروژه , دانلود تحقیق , دانلود مقاله , دانلود پژوهش

استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل

امروزه نقش مشتریان از حالت پیروی از تولید کننده ،به هدایت سرمایه گذاران ، تولید کنند گان و حتی پژوهش گران و نوآوران مبدل گشته است ،به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند

امروزه نقش مشتریان از حالت پیروی از تولید کننده ،به هدایت سرمایه گذاران ، تولید کنند گان و حتی پژوهش گران و نوآوران مبدل گشته است ،به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند .تاکنون از برخی روش های آماری و یادگیری ماشینی برای این منظور استفاده شده است که البته این روش ها به تنهایی دارای محدودیت هایی هستند که در این پژوهش سعی شده است تا با بهره گیری از روش های مختلف داده کاوی تا حد ممکن این محدودیت ها از بین برده و بر طبق آن ،چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارایه شود . در واقع هدف این است تا مشتریانی را که بیشتر به یکدیگر شبیه هستند دسته بندی و با استفاده از این دسته ها و ویژگی های آن ،میزان خطر پذیری هر دسته را پیش بینی کرد . حال با استفاده از این معیار (میزان خطر پذیری هر دسته) و نوع بیمه نامه مشتری می توان میزان خسارت او را پیش بینی کرد که این معیار می تواند کمک شایانی برای شناسایی مشتریان و سیاست گذاری های تعرفه بیمه نامه باشد . برای این منظور، از روش داده کاوی ،درخت تصمیم برای ایجاد مدل پیش بینی خطر پذیری مشتریان در صنعت بیمه استفاده شده است .فن درخت تصمیم برای این منظور نتایج بهتری را به دست اورده است.

فهرست مطالب

چکیده1

1-1- مقدمه. 2

1-2- تاریخچه داده كاوی.. 2

1-3- روشهای پیشین و فعالیت های مرتبط با پژوهش... 4

1-4- مدیریت ذخیره سازی و دستیابی اطلاعات.. 5

1-5- ساختار بانک اطلاعاتی سازمان :7

1-6- داده کاوی :((Data Mining. 7

1-6-1- داده كاوی چیست؟. 7

1-6-2- مفاهیم پایه در داده کاوی.. 8

1-6-3- تعریف داده کاوی.. 8

1-6-4- برخی از این تعاریف عبارتند از :8

1-6-4-1- مراحل فرایند کشف دانش از پایگاه داده ها9

1-7- تفسیر نتیجه. 9

1-8- انبارش داده ها9

1-9- انتخاب داده ها10

1-10- تبدیل داده ها10

1-11- عملیات های داده کاوی.. 10

1-11-1- مدل سازی پیشگویی کننده11

1-11-2- تقطیع پایگاه داده ها12

1-11-3- تحلیل پیوند. 12

1-11-4- تشخیص انحراف.. 12

1-12- الگوریتم های داده کاوی.. 13

1-12-1- دسته بندی.. 14

1-12-2-رگرسیون. 15

1-12-3- سری‌های زمانی.. 16

1-12-4- پیش بینی.. 16

1-12-5- تکنیک های روش توصیفی.. 16

1-12-6- قوانین انجمنی.. 16

1-12-7- خلاصه سازی (تلخیص)17

1-12-8- مدل‌سازی وابستگی (تحلیل لینک)17

1-12-9- خوشه بندی.. 18

1-12-9-1- معیارهای ارزیابی الگوریتم‌های خوشه بندی.. 18

1-12-9-2- طبقه بندی روش‌های خوشه بندی.. 19

1-12-10- الگوریتم Apriori19

1-12-11- الگوریتم K-Means20

1-12-11- 1-گام ‌های الگوریتم k-means20

1-12-11-2- ویژگی‌های الگوریتم k-means20

1-12-11-3- رفع اشکالات الگوریتم k-means:21

1-12-12- شبکه های عصبی.. 21

1-12-13- درخت تصمیم. 22

1-13- روش پیشنهادی.. 23

1-14- جامع آماری و نمونه آماری.. 23

1-15- مراحل پژوهش... 23

1-16-پیش پردازشداده ها25

1-17- معرفی مشخصه ها26

1-18- مشخصه هدف.. 27

1-19- انتخاب مشخصه. 27

1-20- نرم افزارهای داده کاوی.. 27

1-21- پیاده سازی مدل های داده کاوی.. 30

1-21-1- درخت تصمیم. 30

1-21-2- تحلیل درخت تصمیم. 30

منابع 34

شکل 1-1- دسته بندی پژوهش ها در زمینه ی داده کاوی.. 4

شکل 1-2- نمودار پردازش اطلاعات.. 6

شکل1-3- مدیریت داده ها6

شکل 1-4- ساختار بانک اطلاعاتی.. 7

شكل 1-5- تجزیه و تحلیل KDD. 8

شکل 1-6- یک شبکه عصبی با یک لایه پنهان. 22

شکل 1-7- مراحل پژوهش... 25

شکل 1-8- درخت تصمیم. 31

شکل 1-9- درخت تصمیم. 32

شکل 1-10- درخت تصمیم 33

برچسب ها : استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل , داده کاوی , بیمه , دسته بندی , درخت تصمیم , خسارت