决策分析是工业工程领域的重要研究方向之一,构建有用的决策模型有利于工业工程学科的进步和发展。机器学习能帮助人类做出更好的决策。目前,机器学习方法已广泛应用于法律、医疗、金融等领域。随着互联网和计算机技术的发展,人类的偏好数据越来越容易获取,这为构建偏好学习模型提供了前所未有的机会。作为一种受欢迎的机器学习方法,支持向量机因其良好的分类性能近年来得到了越来越多的关注和研究。然而,在使用支持向量机解决决策问题的过程中,人们仍面临诸多挑战:1)存在数据噪声,比如,收集到的数据存在异常值。2)处理人类的偏好信息,比如,学习人类的偏好决策行为;3)学习有序模型,传统的支持向量机用于处理二分类问题,而实际应用中有大量排序问题。本文研究了一种基于模糊支持向量机的偏好学习方法,旨在利用决策者的偏好信息来快速、准确地学习有序预测模型。主要研究内容如下:首先,提出一种基于模糊支持向量机(Fuzzy Support Vector Machine,FSVM)的排序模型。传统的FSVM是用来解决分类问题的,而实际问题中通常需要对样本进行排序。首先分析了现有的学习排序方法的特点,然后针对偏好学习问题,为了消除噪声数据对排序模型的影响,提出了两种新的基于FSVM的偏好学习方法,实现在不完整和噪声信息下的偏好学习。实验结果表明,其在分类精度上优于传统学习排序方法。其次,提出一种两阶段模糊隶属函数构造方法。由于现实世界中很多数据并不完全满足球状分布假设,而现有的FSVM默认数据满足该假设。鉴于此,本文提出一种基于类内超平面的模糊隶属函数构造方法。模型采用两阶段策略,首先使用标准支持向量机来获得超平面法向量,再使用距离函数来求每个数据点的模糊隶属度。在8个公开数据集上的实验结果表明,其相较于现有模型能达到较好的预测效果。最后,提出了基于FSVM的有序回归模型。有序回归是偏好学习模型研究中的重要话题。通过联合利用之前提出的FSVM模型及有序回归模型,本文提出了一种新的有序回归模型。该模型在无需求出多个分类超平面的情况下,仅通过训练一个分类函数即可以实现分类间隔最大化,从而在保证较高的分类精度的同时,提升模型的运算速度。本文将该模型应用到帕金森病症状严重程度预测问题中,案例分析验证了模型的实用性和有效性。案例分析结果显示:1)使用FSVM模型可以解决数据噪声问题;2)使用偏好学习方法得到的排序模型和有序回归模型能够有效地处理决策者的偏好信息;3)使用FSVM得到的有序回归模型能够处理复杂的分类排序问题。此外,该结果说明本文提出的方法可以改善帕金森病诊断流程,提升医院的运作效率。
暂无评论