دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس کامپیوتردانلود رایگان مقالات بیس مهندسی صنایعدانلود رایگان مقالات بیس مهندسی فناوری اطلاعات ITدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی صنایعدانلود رایگان مقالات پژوهشی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی صنایعدانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقاله ISI برنامه ریزی و تحلیل سیستم ها به زبان انگلیسیدانلود رایگان مقاله ISI بهینه سازی سیستم ها به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های عصبی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مدل تحلیل پوششی داده ها DEA به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی صنایع به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023

مقاله انگلیسی رایگان در مورد مدل تحلیل پوششی داده ها برای طبقه بندی احتمالاتی – الزویر ۲۰۱۸

 

مشخصات مقاله
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۱۲ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
منتشر شده در نشریه الزویر
نوع نگارش مقاله مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس میباشد
نوع مقاله ISI
عنوان انگلیسی مقاله Data envelopment analysis models for probabilistic classification
ترجمه عنوان مقاله مدل تحلیل پوششی داده ها برای طبقه بندی احتمالاتی
فرمت مقاله انگلیسی  PDF
رشته های مرتبط مهندسی صنایع، مهندسی کامپیوتر، فناوری اطلاعات
گرایش های مرتبط برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها، شبکه های کامپیوتری
مجله کامپیوترها و مهندسی صنایع – Computers & Industrial Engineering
دانشگاه Pennsylvania State University at Harrisburg – United States
کلمات کلیدی تحلیل پوششی داده ها، مشکل طبقه بندی، طبقه بندی احتمالاتی، هزینه های طبقه بندی نادرست، شبکه های عصبی
کلمات کلیدی انگلیسی Data envelopment analysis, Classification problem, Probabilistic classification, Misclassification costs, Neural networks
شناسه دیجیتال – doi
https://doi.org/10.1016/j.cie.2018.03.037
کد محصول E8606
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
۱٫ Introduction

Good solutions to classification problems can have a significant impact on organization revenue and profitability. Typical high-impact classification problems in organizational decision-making, are associated with customer risk management (Bose & Chen, 2009) and organization default risk management, among others. A sub-set of the classification problem is the asymmetric misclassification cost classification problem, where the risk of misclassification is not symmetrical. Bult and Wittink (1996) identified three different kinds of misclassification risk, and these three different risks were: symmetric risk where all misclassification costs were equal, asymmetric homogeneous risk where misclassification costs were not equal but were constant, and asymmetric non-homogeneous risk where misclassification costs were not equal but were variable for each case. Zhao, Zhao, and Song (2009) have observed similar asymmetric risk in credit card markets. Data Envelopment Analysis (DEA) models for classification problems were first used in the 1990s (Troutt, Rai, & Zhang, 1994). Currently, there are a lot of DEA models available for a variety of business analytics tasks, such as solving inverse classification problems (Pendharkar, 2002), data preprocessing (Pendharkar, 2005), fuzzy classification (Pendharkar, 2012), interactive classification (Pendharkar & Troutt, 2014), cluster analysis (Toloo, Saen, & Azadi, 2015), feature selection (Zhang et al., 2015), and dimensionality reduction (Pendharkar & Troutt, 2011). The DEA models can also be incorporated into radial basis neural networks to solving non-linearly separable classification problems that may contain inputs with negative values (Pendharkar, 2011a). Most of the DEA based classification models use a dual variant of the variable returns-to-scale BCC model (Banker, Charnes, & Cooper, 1984) that provides non-linear (piecewise linear) classification decision boundaries. For two-class problems, a separate model is solved for each class, and two decision boundaries are obtained. When a problem is linearly inseparable, there are overlapping examples belonging to two different classes that appear between the two decision boundaries. However, when a classification problem is linearly separable, there are no such overlapping examples between the decision boundaries (see Fig. 1). For linearly separable problems, traditional margin maximizing support vector machines (SVMs) may be the best classifiers, and DEA models should not be used. DEA models are primarily suitable for linearly inseparable problems. These models may also be applied to nonlinearly separable problems when combined with neural networks as hybrid models (Pendharkar, 2011a). The primary contribution of this paper is to design and use DEA models for probabilistic classification. To our knowledge, probabilistic classification DEA models have never been used for such tasks.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا