Проверяемый текст
Ананьев Николай Сергеевич. Методы и средства анализа данных в системах поддержки принятия решений (Диссертация 2005)
[стр. 110]

значению.
После согласования мнений экспертов по каждой характеристике строится сводная таблица результатов оценки (с учетом весов каждой характеристики и коэффициентов уровня компетентности экспертов), по которой определяется ранг (или уровень качества) сравниваемых образцов.
Проблемными вопросами при применении этого метода являются определение уровня компетентности экспертов, обеспечение их независимости и определение порогов согласованности экспертных оценок.
В тоже время в [14] показано, что для сравнения уровня качества систем можно использовать их обобщенные
интегральные показатели (ОИП), которые хорошо удерживают информацию, содержащуюся в структуре частных характеристик (в т.ч.
заданных интервальными значениями), не требуют предварительной нормировки разнородных данных и ориентированы на получение гарантированных оценок.
Такие свойства
ОИП вытекают из основных положений теории нечетких бинарных отношений и результатов работы [38], полученных при использовании важнейшей интегральной характеристики системы — энтропии и проанализированных в главе 2.
Энтропийные методы анализа сложных систем успешно применяются для решения различных задач в условиях неопределенности [29].
Для снятия неопределенности в исходных данных применяется принцип максимума энтропии, согласно которому наиболее характерными распределениями вероятностей состояний неопределённой среды являются такие, которые максимизируют выбранную меру неопределенности при заданной информации о «поведении» среды [14].
В [76] было показано, что при построении
ОИП качества системы, состоящей из некоторого набора элементов, возможные состояния среды необходимо интерпретировать как множество частных характеристик, присущих элементам этой системы, а максимизацию выбранной меры неопределенности осуществлять путем придания каждой у'-й характеристике веса рр представляющего вклад (важность) у-й характеристики в по
[стр. 119]

Задача оценивания страхового риска, решаемая как сравнение страхователей по их характеристикам, по существу сводится к определению «расстояния» между сравниваемыми объектами в многомерном пространстве их признаков.
Существующие методы обработки данных, базирующиеся на моделях математической статистики, эту задачу эффективно не решают [36,38].
Основная причина использование среднего арифметического значения, которое является несмещенной оценкой только для случая стационарных данных и представительной выборки.
Одновременно с этим используется метрика наименьших квадратов, чувствительная к большим и нечувствительная к малым значениям [7].
Для снижения негативного влияния смещенности средней арифметической оценки исходные данные приводят к виду стационарных с помощью нормировок, разбиения на участки, в пределах которых данные однородны, или других приемов.
Другая группа методов многомерного сравнения использует метод анализа иерархий [71,84], исходными данными в котором являются результаты экспертных оценок.
Каждый из экспертов определяет матрицу парных сравнений характеристик объектов (отражающую иерархию их влияния на качество объекта) и матрицу парных сравнений степени близости конкретной характеристики сравниваемых объектов ее требуемому значению.
После согласования мнений экспертов по каждой характеристике строится сводная таблица результатов оценки (с учетом весов каждой характеристики и коэффициентов уровня компетентности экспертов), по которой определяется ранг (или уровень качества) сравниваемых образцов.
Проблемными вопросами при применении этого метода являются определение уровня компетентности экспертов, обеспечение их независимости и определение порогов согласованности экспертных оценок.
В тоже время в [14] показано, что для сравнения уровня качества систем можно использовать их обобщенные
показатели (ОП), которые хорошо удерживают информацию, содержащуюся в структуре частных характеристик 119

[стр.,120]

(в т.ч.
заданных интервальными значениями), не требуют предварительной нормировки разнородных данных и ориентированы на получение гарантированных оценок.
Такие свойства
ОП вытекают из основных положений теории нечетких бинарных отношений и результатов работы [38], полученных при использовании важнейшей интегральной характеристики системы — энтропии и проанализированных в главе 2.
Энтропийные методы анализа сложных систем успешно применяются для решения различных задач в условиях неопределенности [29].
Для снятия неопределенности в исходных данных применяется принцип максимума энтропии, согласно которому наиболее характерными распределениями вероятностей состояний неопределённой среды являются такие, которые максимизируют выбранную меру неопределенности при заданной информации о «поведении» среды [14].
В [76] было показано, что при построении
ОП качества системы, состоящей из некоторого набора элементов, возможные состояния среды необходимо интерпретировать как множество частных характеристик, присущих элементам этой системы, а максимизацию выбранной меры неопределенности осуществлять путем придания каждой у -й характеристике веса рп представляющего вклад (важность) _/' -й характеристики в формирование ОП качества системы.
При решении задачи сравнительной оценки страховых рисков страхователей анализируемая система представляет собой набор однотипных объектов.
Формализованным описанием сравниваемых объектов является матрица X «объект-признак», каждая строка X/ которой содержит характеристики соответствующего /-го страхователя и его предмета страхования, имеющие как количественное, так и качественное выражение.
После оцифровки и факторизации качественных данных они уже используются как исходные для решения задачи сравнения.
Из проведенного анализа видно, что решаемая задача сравнительной оценки страховых рисков аналогична задаче оценивания уровня знаний 120

[Back]