CLUSDM: a multiple criteria decision making method for heterogeneous data sets

Abstract

Aquesta tesi presenta una nova metodologia per resoldre problemes de presa de decisions. Hem<br/>estudiat els casos en què cal considerar més d'un criteri. Aquests tipus de mètodes de decisió es<br/>coneixen com MCDM (Multiple Criteria Decision Making), o també MCDA (Multiple Criteria<br/>Decision Aid). La diferència entre simplement "prendre decisions" o "ajudar a prendre<br/>decisions" recau en si el mètode es dissenya per recomanar la decisió a prendre o si també<br/>inclou elements que permeten entendre com es prenen les decisions en un cert context. La nostra<br/>proposta inclou elements dels dos plantejaments. D'una banda, hem intentat que la persona que<br/>ha d'usar el mètode no necessiti aprendre tècniques complexes abans de poder-lo aplicar a casos<br/>reals. D'altra banda, el mètode no és una caixa negra, sinó que l'usuari rep informació sobre<br/>característiques de les dades que ha de tenir en compte abans de fer la decisió final.<br/>ClusDM és un mètode de presa de decisions pensat per resoldre dos tipus concrets de<br/>problemes: (i) ordenar un conjunt d'alternatives de la millor a la pitjor, (ii) seleccionar les<br/>millors alternatives del conjunt. La dificultat d'aquest procés recau en que cal maximitzar<br/>diversos criteris parcials (i normalment no correlacionats) al mateix temps. A la tesi es pot<br/>trobar un resum de les diferents aproximacions a aquest tipus de problemes de decisió. Només<br/>destacar que el nostre mètode segueix les bases de la Teoria de la Utilitat.<br/>Els mètodes clàssics consideren només criteris numèrics. Diferents extensions a aquests models<br/>s'han anat desenvolupant durant els últims anys. En aquesta tesis ens hem plantejat la<br/>possibilitat de tenir criteris que utilitzin diferents tipus de valors. A més, hem afegit dues fases a<br/>la metodologia habitual (que té una fase d'agregació i una d'ordenació), que són: l'explicació<br/>del resultat i l'avaluació de la qualitat.<br/>La "Fase d'explicació" està dedicada a assignar un terme lingüístic per descriure cada<br/>alternativa segons la seva posició en el ranking. L'ús de vocabularis qualitatius facilita la<br/>comprensió del resultat. El significat dels diferents termes usats ve donat per una funció de<br/>negació. Aquesta representació es basa en contrastar el significat d'un terme amb el dels termes<br/>oposats (els seus antònims).<br/>La "Fase d'Avaluació de la Qualitat" analitza a fons els resultats intermedis obtinguts en els<br/>diferents passos del procés i intenta mesurar l'error acumulat. ClusDM proporciona diverses<br/>mesures de qualitat parcial per cada fase del procés, de manera que l'usuari tingui constància de<br/>la confiança que pot donar al resultat final que doni el sistema.

This thesis presents a new methodology for decision making. In particular, we have studied the<br/>problems that consider more than one criterion, which is known as Multiple Criteria Decision<br/>Making (MDCM) or Multiple Criteria Decision Aid (MCDA). The difference relies on the fact<br/>of imitating the behaviour of the decision maker (i.e. develop a method that makes decisions) or<br/>giving to the decision maker some additional information that allows him to understand the<br/>mechanism of solving decisions (i.e. the decision maker can learn from the use of the method).<br/>Our proposal fits better in the MCDA approach, but has also similarities with the MCDM<br/>perspective. On one hand, the method we have designed is independent enough to not require a<br/>deep understanding of the process by the decision maker. On the other hand, we have carefully<br/>studied the process and the method is able to extract knowledge about the decision problem,<br/>which is given to the user to let him know any special characteristics of the data analysed.<br/>ClusDM is a new method to solve multicriteria decision problems. It is able to find a ranking of<br/>alternatives or to select the best ones. This process is not easy since usually it is not possible to<br/>maximise all the partial profits (i.e.criteria) at the same time. In the thesis we present an<br/>overview of the large amount of methods developed to solve this problem. We follow the utility<br/>theory approach.<br/>Classical methods consider only numerical criteria. Some extensions allow the consideration of<br/>other scales, such as, fuzzy or ordinal values, but usually they are required to have a common<br/>scale for all criteria. This thesis faces the problem of managing different types of criteria at the<br/>same time. Methods following the utility approach consider two steps to sort a decision<br/>problem out: the aggregation and the ranking. We have included some additional steps in order<br/>to improve the process: (i) the explanation phase and (ii) the quality measurement phase.<br/>In the "Explanation Phase", special attention is devoted to give an appropriate linguistic<br/>description of the ranking. The necessity to give a qualitatively described result has been argued<br/>by different authors. The rationale behind this belief is that human decision makers understand<br/>better a linguistic statement characterising the selected alternative (or ranking of alternatives)<br/>than a numerical result or even a membership function. In this context, a new negation-based<br/>semantics has been studied. The key idea is that we can infer the meaning of a term knowing the<br/>terms that express an opposite value. The use of this new semantics representation seems<br/>appropriate to obtain a result that can be easily understood by the decision maker.<br/>In the "Quality Measurement Phase", different quality measures for each stage of the process<br/>are calculated. With these measures we can give an overall value of the trustworthiness of the<br/>final result. This kind of information is very useful for the decision maker in order to pay more<br/>or less attention to the recommendations of the system.