Συγκριτική αξιολόγηση τεχνητών νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης για την προσέγγιση της αποδοτικότητας της περιβάλλουσας ανάλυσης δεδομένων

Abstract

Η περιβάλλουσα ανάλυση δεδομένων (DEA) είναι η πιο γνωστή μη παραμετρική μέθοδος για την αξιολόγηση της απόδοσης ομοιογενών μονάδων. Σε αυτή την διατριβή, αναπτύσσεται μια νέα μέθοδος προσέγγισης της DEA χρησιμοποιώντας μεθόδους μηχανικής μάθησης και πιο συγκεκριμένα, τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης (Support Vector Machine – SVM) τα οποία επιταχύνουν την διαδικασία αξιολόγησης και ελαχιστοποιούν σημαντικά τον απαιτούμενο υπολογιστικό χρόνο. Πιο συγκεκριμένα, χρησιμοποιούμε τις παραπάνω μεθόδους για να εκτιμήσουν την αποδοτικότητα των μονάδων που δημιουργήθηκαν μέσω της DEA. Επίσης, τα σύνολα που χρησιμοποιούμε για εκπαίδευση και για εξέταση των μεθόδων μηχανικής μάθησης αξιολογούνται πρώτα από τους αλγόριθμους της DEA. Διεξάγονται αρκετά πειράματα τα οποία βασίζονται σε διαφορετικές διαδικασίες παραγωγής δεδομένων με διαφορετικό αριθμό εισροών, εκροών και αριθμό μονάδων. Επίσης, οι βαθμοί αποδοτικότητας των μονάδων των παραπάνω συνόλων ακολουθούν συγκεκριμένες κατανομές και γίνεται κατάλληλός διαχωρισμός των παραπάνω δεδομένων σε συγκεκριμένα διαστήματα. Τα πειραματικά αποτελέσματα δείχνουν ότι τα μοντέλα μηχανικής μάθησης μπορούν να προσεγγίσουν με υψηλή ακρίβεια τους βαθμούς αποδοτικότητας της περιβάλλουσας ανάλυσης. Ωστόσο, προκύπτει ότι οι μηχανές διανυσμάτων υποστήριξης, για όλα τα πλήθη δεδομένων και για όλες τις κατανομές, παρουσιάζουν συνολικά καλύτερη και πιο σταθερή απόδοση σε σχέση με τα τεχνητά νευρωνικά δίκτυα. Επίσης, τα αποτελέσματα που παράχθηκαν από τα μοντέλα μηχανικής μάθησης ικανοποιούν τις ιδιότητες των μοντέλων της DEA. Συμπερασματικά η συγκεκριμένη προσέγγιση μπορεί να χρησιμοποιηθεί σε περιπτώσεις μεγάλης κλίμακας δεδομένων όπου οι παραδοσιακές μέθοδοι DEA καθίστανται χρονοβόρες και μη πρακτικές. Ταυτόχρονα, αφήνει χώρο για μελλοντική έρευνα στον τομέα των δεδομένων μεγάλης κλίμακας, τεχνητά νευρωνικά δίκτυα καθώς και στον χώρο της τεχνητής νοημοσύνης