1.4 本書的主要貢獻與創新

本書通過將領域知識、專家經驗、群決策和多目標決策理論引入到數據挖掘中，對基于多目標決策的數據挖掘方法評估問題進行深入研究。面向信用風險等管理學重難點應用領域，展開分類方法評估和聚類方法評估，開展基于多目標決策的數據挖掘的二次挖掘和知識發現的實證研究。目的在于提高領域知識、專家經驗在數據挖掘項目管理和評估中的作用，縮小數據挖掘結果表達力與用戶理解力之間的差距，提高數據挖掘結果的可理解性和實用性。作為一門交叉學科，數據挖掘的發展是建立在不斷地從相關學科學習先進的理論和方法的基礎之上的。本書將充分發揮數據挖掘交叉學科的研究特色，結合機器學習、最優化理論、人工智能等相關研究領域的技術優勢，建立具有指導意義的理論框架和具有實踐價值的應用實證研究。本書的主要貢獻和創新點如下：

（1）提出基于多目標決策的數據挖掘方法評估理論框架。通過將領域知識、專家經驗、群決策和多目標決策理論引入到數據挖掘中，提出基于多目標決策的數據挖掘的方法評估理論框架。該模型評估框架由三大階段和六大模塊組成。

（2）針對分類方法評估和聚類方法評估，分別提出對應的層次分析模型和共識支持模型，開展基于多目標決策的數據挖掘的二次挖掘和知識發現。基于方法評估理論框架的研究成果，面向管理學領域的重難點問題，展開分類方法評估和聚類方法評估，分別提出對應的層次分析模型和共識支持模型，開展基于多目標決策的數據挖掘的二次挖掘和知識發現，增強挖掘結果的易理解性與實用性。

（3）把領域知識、專家經驗與多目標決策方法即層次分析法AHP相結合，提出IAHP-GDM方法和EWAHP-GDM方法。主要貢獻歸納如下：①首次把集結個體判斷矩陣（AIJ）和集結個體排序（AIP）統一在AHP群決策模型中，擴展和豐富了AHP群決策方法的集結技術；②提出的EWAHP-GDM方法還被進一步擴展成一種可以確定準則權重的方法。該權重確定方法為后續章節分類方法評估和聚類方法評估中的多目標決策階段奠定了扎實的研究基礎。

（4）在分類方法評估中，其創新點主要歸納為三點：①通過融合領域知識、專家經驗，結合多目標決策和數據挖掘理論與方法，針對特定領域的數據集，提出一個三階段的層級分析模型來評估分類方法的性能；②通過生成一個方法優先級列表，能夠識別績效高、穩定性能好的魯棒的分類方法；③對研究結果展開二次挖掘和知識發現，探索更深層次的知識和規律，并且能夠減少在多目標決策環境下評價結果的不一致程度，尤其是在當多個不同的評估方法針對特定問題，產生了相互矛盾的評價結果的時候。

（5）在聚類方法評估中，其創新點同樣可歸納為三點：①提出的共識支持模型對于給定的數據集，可以很好地識別最佳的聚類方法；②該模型在聚類方法評估時，可以調和評價結果之間的分歧或沖突，從而促成滿意度最佳的共識決策；③在二次挖掘階段，基于二八定律，同樣一個基于三階段的共識融合模型被提出進行二次知識發現，該模型同時考慮了備選方案的最滿意排序和最不滿意排序，提高了決策的公平、效率和科學性。