偏好分解背景下代表性排序模型的选择:现有方法综述、新提案与实验比较
机器学习
2022-09-07 v1 人工智能
机器学习
应用统计
统计方法学
摘要
我们在多准则排序背景下考虑偏好分解。价值函数参数与分隔各类别的阈值由决策者(DM)的分配示例推断得出。鉴于与间接偏好兼容的排序模型具有多重性,选择单一代表性模型可采用不同方式进行。我们综述了用于此目的的若干方法,旨在识别最具判别性、平均、中心、宽容、激进、简约或鲁棒的模型。此外,我们提出了三种在实务中实现鲁棒分配规则的新方法。它们利用随机可接受度,并最大化所有可行排序模型对所得分配的支持。十六种方法的性能在不同复杂程度的问题实例上得到验证。实验研究结果表明了在分类准确率、复现 DM 模型以及给出最鲁棒分配方面最有效方法。这些方法包括识别可行多面体不同解释中心的方法及本文引入的鲁棒方法。此外,我们讨论了所有方法的性能如何受类别数、准则数、特征点与参考分配的不同数量影响。最后,我们在一项关于欧洲城市绿色绩效评估的研究中展示了所有方法的应用。
引用
@article{arxiv.2209.02410,
title = {Selection of a representative sorting model in a preference disaggregation setting: a review of existing procedures, new proposals, and experimental comparison},
author = {Michał Wójcik and Miłosz Kadziński and Krzysztof Ciomek},
journal= {arXiv preprint arXiv:2209.02410},
year = {2022}
}