تخمین کمترین تعداد مولفه های تابع تمایز قطعه ای خطی در تحلیل ممیز با استفاده از تحلیل پوششی داده ها

یکی از روشهای توسعه مدلهای طبقه بندی استفاده از مدل های برنامه ریزی ریاضی تحلیل ممیز است. اکثر روشهایبرنامه ریزی ریاضی عموم ا برای توسعه طبقه بندی خطی استفاده شده اند، اما مدل های طبقه بندی غیرخطی می توانند عملکردطبقه بندی بهتری نسبت به مدلهای خطی داشته باشند و با در نظر گرفتن اینکه از توابع قطعهای خطی میتوان برای تقریب توابعغیرخطی استفاده کرد یک مدل برنامه ریزی ریاضی که از حداقل مجموع انحرافات به عنوان تابع هدف استفاده می کند برای تولید توابعتمایز قطعه ای خطی معرفی می گردد. برای بهبود مدل معرفی شده به منظور صرفه جویی در هزینه و بهبود سرعت فرایند مدل، اینمدل به حالتیکه با در نظر گرفتن یک مقدار خطای مشخص، کمترین تعداد مولفه را تولید میکند توسعه داده می شود. کاربرد مدلارایه شده بر روی 100 شعبه بانک های ژاپن، که توسط متخصصین موسسه مالی ژاپن به دو گروه تقسیم شدهاند نشان داده میشودکه نتیجه بهدست آمده نشان میدهد که با استفاده از روش مذکور، در یک تکرار همان دقت مورد نظر با کمترین تعداد قطعات به دست می آید.

کلیدواژه ها:

برنامه ریزی ریاضی ، تحلیل ممیز ، توابع قطعه ای خطی