Algorithms· 2026Q2
Makine Öğrenmesi, Akran Beklentilerini Aşarak Kararları Sıralıyor
A Machine Learning Approach to Multi-Criteria Decision-Making via Peer-Prediction Trees and Excess Performance Evaluation
- 1atıf
- Q2SCImago
- 2026yıl
Kısa özet
Akran-Tahmin Ağaçları adlı yeni bir makine öğrenmesi yöntemi, alternatifleri mutlak puanlar yerine, diğer kriterlere dayalı tahminleri aştıkları 'fazla performanslarına' göre sıralar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Fazla performansa dayalı çok kriterli karar verme için bir makine öğrenmesi paradigması olan Akran-Tahmin Ağaçlarını tanıtır.
- Alternatifleri, tek-bırakma çapraz doğrulama kararları ağaçları kullanarak diğer kriterlerden türetilen tahminleri ne kadar aştıklarına göre sıralar.
- Tahmin uyumundan elde edilen yeni, içsel benzersizlik tabanlı bir ağırlıklandırma şeması kullanır, ayrı ağırlıklandırma prosedürlerine olan ihtiyacı ortadan kaldırır.
- Sayısal, dilsel ve karma veri matrislerini tek bir birleşik çerçevede yerel olarak işler.
- Yöntemin çok yönlülüğünü ve yorumlanabilirliğini gösteren üç heterojen gerçek dünya uygulaması üzerinde doğrulanmıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Multi-criteria decision-making methods conventionally rank alternatives by aggregating normalized criterion values into a composite score, an approach that depends on the normalization scheme, requires externally determined criterion weights, and evaluates performance in absolute terms without accounting for inter-criteria dependencies. This paper proposes machine learning-based Peer-Prediction Trees for multi-criteria decision-making, a novel method that ranks alternatives by their excess performance over data-driven peer expectations. For each criterion, a leave-one-out cross-validated decision tree predicts each alternative’s value from its performance on all other criteria; the residual between observed and predicted values extracts how much the alternative outperforms the empirical trade-off structure constraining its peers. Residuals are standardized, aligned with the preferred criterion direction, and aggregated into an Excess Performance Index using uniqueness-based weights derived endogenously from the cross-validated predictive fit. The method is validated on three real-world datasets: a numeric vehicle selection problem (22 alternatives, five criteria), a fully linguistic financial performance evaluation of Turkish listed firms (32 alternatives, four criteria), and a mixed numeric-linguistic exchange-traded fund selection problem (12 alternatives, nine criteria). The contributions of this work are fourfold: (1) the introduction of peer prediction via leave-one-out cross-validated decision trees as a multi-criteria decision-making ranking paradigm that evaluates excess performance rather than absolute scores; (2) a uniqueness-based criterion weighting scheme embedded into the method, eliminating the need for separate weighting procedures; (3) native handling of numeric, linguistic, and mixed decision matrices within a single unified framework; and (4) empirical validation across three heterogeneous real-world applications demonstrating the method’s versatility and interpretability.
Yazarların özeti; kaynağından alınmıştır. Algorithms, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
AccountingBusiness, Management and Accounting