基于随机森林赋权和改进electre―ⅲ方法的科技奖励评价研究.doc

基于随机森林赋权和改进ELECTRE―Ⅲ方法的科技奖励评价研究摘要:针对科技奖励评价中各指标权重的不确定性问题,提出随机森林赋权法,利用可靠性分析计算专家评分数据的泛化误差,根据最小错误率得到各评价项目的各评价指标权重,减少主观赋权的影响;引入一致可信度、非一致可信度和净可信度信息,提出改进的ELECTREⅢ方法,将某一评价项目优于其他评价项目的程度具体量化,:随机森林赋权法和改进后的ELECTREⅢ方法相结合,既提高了权重估计的精确度和可信度,又解决了难以给定门槛值和不能完全排序的问题,使评价结果更加科学、客观、:可靠性分析;随机森林赋权;改进的ELECTREⅢ;科技奖励评价中图分类号:G311文献标识码:,大量学者就科技奖励评价技术进行研究,提出了许多有效的评价方法,然而大多数方法受主观影响大,,,中国的科技奖励评价方法得到不断的发展和完善,、田煜明\[1\]等引入改进的未知测度模型计算指标权重,并利用综合得分公式进行综合评价,、彭嘉雄\[2\]等运用模糊神经网络的方法构建了科技奖励的智能评审模型,既考虑了专家建议,、曹玮\[3\]等人引入“邻差矩阵”,并结合CRITIC法和因子分析方法,\[4-5\]等分别就科技奖励指标权重和专家权重问题进行了研究,\[6\]等采用改进的CRITIC法提高样本数据的代表性,、多专家、,受专家主观因素影响较大;且专家评分数据通常为次序变量,,对评价指标进行客观赋权;并提出改进的ELECTREⅢ方法,处理次序变量的排序问题,使评价结果更加客观、(RF)\[7\]是一种由多个分类树组成分类器的方法,主要采用Bagging算法,从原始的N个样本中有放回随机抽取约1/3的数据组成一个新的训练集,剩余的数据成为袋外数据(outofbag,简称OOB数据),,即随机改变OOB数据中某个特征向量X的值(称之为特征向量X的噪声干扰),得到一个OOB数据的准确率;然后将原始OOB数据的准确率与加入噪声之后的OOB数据的准确率相减,,然后取平均数并归一化,(X),h2(X),…,hk(X)和两个随机向量X(输入向量)、Y(输出向量)=(h(X)=Y)表示对特征向量X正确分类的Y的得票数,)随机森林分类树收敛性估计:定义mg(X,Y)为样本点(x,y)(X,Y)=avkI(hk(X)=Y)-maxj≠YavkI(hk(X)=j).(1)式中:Y表示正确的分类向量;I(?)表示指示器函数;avk(),边缘函数越大,正确分类的置信度就越高,)特征向量权重估计的错误率:设PE*为随机森林算法中分类器的泛化误差,=PX,Y(mg(X,Y)<0).(2)(X)=h(X,Θ),若森林中树的数目足够多,上式会满足大数定律:limk→******@PE=PX,Y(PΘ(h(X,Θk)=Y)-maxj≠YPΘ(h(X,Θ)=j)<0).(3)式中:=∑(xi,y)∈OkI(hk(xi)=y)∑(xi,y)∈OkI(hk(xi)).(4)PK作为P(hk(X)=Y)的OOB数据权重估计,根据式(2)