Оценка эффективности природоохранных программ (пример)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 1: Строка 1:
Описан способ построения интегральных индикаторов качества объектов с использованием экспертных оценок и измеряемых данных. Каждый объект описан набором признаков в линейных шкалах. Используются экспертные оценки качества объектов и важности признаков, которые корректируются в процессе вычисления. Предполагается, что оценки выставлены в ранговых шкалах. Рассматривается задача получения таких интегральных индикаторов, которые не противоречили бы экспертным оценкам. Предложено два алгоритма уточнения экспертных оценок.
Описан способ построения интегральных индикаторов качества объектов с использованием экспертных оценок и измеряемых данных. Каждый объект описан набором признаков в линейных шкалах. Используются экспертные оценки качества объектов и важности признаков, которые корректируются в процессе вычисления. Предполагается, что оценки выставлены в ранговых шкалах. Рассматривается задача получения таких интегральных индикаторов, которые не противоречили бы экспертным оценкам. Предложено два алгоритма уточнения экспертных оценок.
-
 
+
{{tip|Полный текст этой статьи находится [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/NatureProgramsEfficiencyEstimation/doc/Kuznetsov10Estimation.pdf здесь].}}
== Постановка задачи ==
== Постановка задачи ==
Интегральный индикатор - линейная комбинация вида
Интегральный индикатор - линейная комбинация вида

Версия 16:49, 28 января 2011

Описан способ построения интегральных индикаторов качества объектов с использованием экспертных оценок и измеряемых данных. Каждый объект описан набором признаков в линейных шкалах. Используются экспертные оценки качества объектов и важности признаков, которые корректируются в процессе вычисления. Предполагается, что оценки выставлены в ранговых шкалах. Рассматривается задача получения таких интегральных индикаторов, которые не противоречили бы экспертным оценкам. Предложено два алгоритма уточнения экспертных оценок.

Полный текст этой статьи находится здесь.


Постановка задачи

Интегральный индикатор - линейная комбинация вида \mathbf{q} = A\mathbf{w}, где A = \{a_{ij}\}_{i=1,j=1}^{n,m} - матрица объекты-признаки, \mathbf{w} - вектор весов признаков. Заданы в ранговых шкалах экспертные оценки: \mathbf{q_0}, \mathbf{w_0}, допускающие произвольные монотонные преобразования. Пусть на наборах экспертных оценок введено отношение порядка такое, что q_1\geq q_2 \geq ... \geq q_n \geq 0;\ w_1\geq w_2\geq ... \geq w_n \geq 0. Множество всех таких векторов задается системой линейных неравенств J\mathbf{q}\geq 0, где \underset{n\times n}J = \left( \begin{array}{rrrrrr} 1 & -1 & 0 & \cdots & 0 & 0 \\ 0 & 1 & -1 & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots &\ddots & \vdots & \vdots\\ 0 & 0 & 0 & \cdots & 1 & -1 \\ 0 & 0 & 0 & \cdots & 0 & 1 \\ \end{array} \right). Таким образом, заданным \mathbf{q}, \mathbf{w} можно поставить в соответствие матрицы J_q и J_w размеров соответственно n\times n и m\times m. Определим \mathcal{Q} — конус, задаваемый матрицей J_q в пространстве интегральных индикаторов; \mathcal{W} — конус, задаваемый матрицей J_w в пространстве весов признаков.

ЗАДАЧА 1. Требуется найти в конусах \mathcal{W} и \mathcal{Q} векторы \mathbf{p} и \mathbf{q}, такие, что:

\begin{equation} \min\limits_{\mathbf{p},\mathbf{q}}||\mathbf{q}-A\mathbf{p}||:\ \mathbf{q} \in \mathcal{Q}, \mathbf{p} \in \mathcal{W}, ||\mathbf{q}|| = 1, ||\mathbf{p}|| = 1, \end{equation}

где ||.|| --- евклидова метрика в пространстве \mathbb{R}^n.

ЗАДАЧА 2. Найти вектор весов, который максимизирует коэффициент корреляции между интегральными индикаторами:

\mathbf{w_1} = \arg \underset{\mathbf{w} \in \mathcal{W}}{max} C(\mathbf{q_0}, A\mathbf{w}),

по этому вектору весов построить уточненный интегральный индикатор

\mathbf{q_1} = A\mathbf{w_1}.

Здесь C - коэффициент ранговой корреляции Спирмена.

Пути решения задач

РЕШЕНИЕ ЗАДАЧИ 1.

Построим итерационный алгоритм, последовательно находящий приближения векторов q^{(2k)}, p^{(2k+1)} на четном и нечетном шаге. Векторы \mathbf{x}=q^{(2k)} и \mathbf{y}=p^{(2k+1)} будем считать решениями двух последовательно решаемых оптимизационных задач, полагая вектор p^{(0)}=w_0 на шаге k=0.

Задача 2k: 

minimize    || \mathbf{x}- Ap^{(2k)}||  
     
subject to \mathbf{x}^T\mathbf{x} = 1,  J_n \mathbf{x} \geq 0.

Задача 2k+1: 

minimize ||q^{(2k+1)}-A\mathbf{y}||          

subject to \mathbf{y}^TA^TA\mathbf{y} = 1,  J_m \mathbf{y} \geq 0.

При решении задач, на каждом шаге значения констант p^{(2k)} и q^{(2k+1)}. при- нимаются равными значениям соответствующих решений x и y предыдущего шага.

РЕШЕНИЕ ЗАДАЧИ 2.

Поскольку в условии задачи 2 фигурируют ранги, нельзя решать эту задачу стандартными методами выпуклой оптимизации. Предлагается использовать стандартный генетический алгоритм.

Смотри также


Данная статья была создана в рамках учебного задания.
Студент: Михаил Кузнецов
Преподаватель: В.В.Стрижов
Срок: 24 декабря 2010


В настоящее время задание завершено и проверено. Данная страница может свободно правиться другими участниками проекта MachineLearning.ru.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.

Источник — «http://www.recognition.su/wiki/index.php?title=%D0%9E%D1%86%D0%B5%D0%BD%D0%BA%D0%B0_%D1%8D%D1%84%D1%84%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D0%BF%D1%80%D0%B8%D1%80%D0%BE%D0%B4%D0%BE%D0%BE%D1%85%D1%80%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC_%28%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%29»