Integrating Multi-Criteria Decision Making and Random Forest Framework for Product Advisory System
Notice bibliographique
Résumé
Complexity in decision making of product evaluation, healthcare, finance, and policy areas often refers to trade-offs between a variety of contradictory criteria. The training approaches that have historically always been used in one form or another can rarely capture such complexity and so outcomes that are not accurate representations of what should be given importance in the real world can occur. This study will be focused on creating a general-purpose decision support system that is based on an extensive range of multi-criteria solutions that can be used to make decisions and machine learning to become more reliable and flexible. The model is a hybrid of the Weighted Sum Model, Technique of Order Preference by similarity to ideal solution, Preference Ranking Organization Method of enrichment Evaluation, Analytic hierarchy Process, elimination and choice Expressing Reality, Multi objective optimization by ratio Analysis, complex proportional Assessment, Analytic Network Process and the grey Relational Analysis. Meanwhile, a Random Forest learning model is introduced to merge latent connections with the data and associate the rankings come by the decision-making approaches. Practical testing of the architecture based on product sales records proves that the proposed system can combine user defined preferences with predictive ratings to generate stable and understandable recommendations. The findings suggest that this hybrid model is not restrictive to product choice, but it could be extended in terms of application in some other aspects like service evaluation, patient treatment planning, investment ranking, and policy evaluation. The study introduces a generalizable and customizable approach that takes the decision support beyond the classical models and analytics based on data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».