Los diagramas de influencia se destacan como una herramienta gráfica de gran utilidad para representar de manera concisa y visual problemas de ayuda a la toma de decisiones. Su propósito fundamental radica en asistir a los tomadores de decisiones en el análisis de datos y modelos para abordar problemas complejos y no estructurados.
El proceso de creación y ponderación de estos diagramas demanda un esfuerzo colaborativo entre expertos en el campo específico tratado. En este sentido, el presente Trabajo de Fin de Máster se enfoca en la utilización de metaheurísticas como los algoritmos genéticos para la asignación óptima de parámetros en el diagrama, tanto en el modelo de probabilidad condicionada como en el modelo de preferencias. Esta aproximación permite reducir significativamente el tiempo necesario que los expertos dedican a estimaciones numéricas para la educción de los modelos probabilísticos y de preferencias que representan el problema, lo cual facilita la implementación del método en diversos contextos. Cabe destacar que esta propuesta es para modelos de variables discretas, dejando como línea futura el extenderlo para permitir variables continuas.
La evaluación de la calidad de los resultados se llevará a cabo mediante la aplicación de estas técnicas en un diagrama de influencia preexistente. Para ello, se generará una población de posibles configuraciones de parámetros para los modelos mencionados, las cuales serán comparadas con las decisiones previamente tomadas por expertos. Este proceso iterativo permitirá mejorar la estimación a lo largo de un número determinado de generaciones, disminuyendo así la necesidad de un conocimiento experto extenso. En lugar de requerir modelos completos de probabilidad y preferencia, bastará con un conjunto reducido de decisiones relevantes y la estructura de dependencias o influencias del modelo para obtener resultados satisfactorios.
Al final, se realizará una comparación exhaustiva de los resultados obtenidos utilizando un algoritmo genético, mediante el ajuste de sus hiperparámetros para alcanzar el modelo óptimo. Este análisis detallado permitirá evaluar la eficacia relativa de la metaheurística seleccionada y determinar la estrategia más efectiva para abordar el problema en cuestión.
ABSTRACT
Influence diagrams stand out as a useful graphical tool for concisely and visually representing decision support problems. Their fundamental purpose is to assist decision makers in analyzing data and models to address complex and unstructured problems.
The process of creating and weighting these diagrams demands a collaborative effort among experts in the specific field being addressed. In this sense, this Master’s Thesis focuses on the use of metaheuristics such as genetic algorithms for the optimal assignment of parameters in the diagram, both in the conditional probability model and in the preference model. This approach significantly reduces the time required by the experts to spend on numerical estimations for the education of the probabilistic and preference models that represent the problem, which facilitates the implementation of the method in various contexts. It should be noted that this proposal is for discrete variable models, leaving as a future line to extend it to allow for continuous variables.
The evaluation of the quality of the results will be carried out by applying these techniques on a pre-existing influence diagram. To this end, a population of possible parameter configurations for the aforementioned models will be generated, which will be compared with the decisions previously made by experts. This iterative process will allow improving the estimation over a given number of generations, thus decreasing the need for extensive expert knowledge. Instead of requiring complete probability and preference models, a reduced set of relevant decisions and the structure of dependencies or influences of the model will suffice to obtain satisfactory results.
At the end, a comprehensive comparison of the results obtained using a genetic algorithm will be performed by adjusting its hyperparameters to reach the optimal model. This detailed analysis will make it possible to evaluate the relative efficiency of the selected metaheuristic and to determine the most effective strategy to address the problem in question.
Los diagramas de influencia se destacan como una herramienta gráfica de gran utilidad para representar de manera concisa y visual problemas de ayuda a la toma de decisiones. Su propósito fundamental radica en asistir a los tomadores de decisiones en el análisis de datos y modelos para abordar problemas complejos y no estructurados.
El proceso de creación y ponderación de estos diagramas demanda un esfuerzo colaborativo entre expertos en el campo específico tratado. En este sentido, el presente Trabajo de Fin de Máster se enfoca en la utilización de metaheurísticas como los algoritmos genéticos para la asignación óptima de parámetros en el diagrama, tanto en el modelo de probabilidad condicionada como en el modelo de preferencias. Esta aproximación permite reducir significativamente el tiempo necesario que los expertos dedican a estimaciones numéricas para la educción de los modelos probabilísticos y de preferencias que representan el problema, lo cual facilita la implementación del método en diversos contextos. Cabe destacar que esta propuesta es para modelos de variables discretas, dejando como línea futura el extenderlo para permitir variables continuas.
La evaluación de la calidad de los resultados se llevará a cabo mediante la aplicación de estas técnicas en un diagrama de influencia preexistente. Para ello, se generará una población de posibles configuraciones de parámetros para los modelos mencionados, las cuales serán comparadas con las decisiones previamente tomadas por expertos. Este proceso iterativo permitirá mejorar la estimación a lo largo de un número determinado de generaciones, disminuyendo así la necesidad de un conocimiento experto extenso. En lugar de requerir modelos completos de probabilidad y preferencia, bastará con un conjunto reducido de decisiones relevantes y la estructura de dependencias o influencias del modelo para obtener resultados satisfactorios.
Al final, se realizará una comparación exhaustiva de los resultados obtenidos utilizando un algoritmo genético, mediante el ajuste de sus hiperparámetros para alcanzar el modelo óptimo. Este análisis detallado permitirá evaluar la eficacia relativa de la metaheurística seleccionada y determinar la estrategia más efectiva para abordar el problema en cuestión.
ABSTRACT
Influence diagrams stand out as a useful graphical tool for concisely and visually representing decision support problems. Their fundamental purpose is to assist decision makers in analyzing data and models to address complex and unstructured problems.
The process of creating and weighting these diagrams demands a collaborative effort among experts in the specific field being addressed. In this sense, this Master’s Thesis focuses on the use of metaheuristics such as genetic algorithms for the optimal assignment of parameters in the diagram, both in the conditional probability model and in the preference model. This approach significantly reduces the time required by the experts to spend on numerical estimations for the education of the probabilistic and preference models that represent the problem, which facilitates the implementation of the method in various contexts. It should be noted that this proposal is for discrete variable models, leaving as a future line to extend it to allow for continuous variables.
The evaluation of the quality of the results will be carried out by applying these techniques on a pre-existing influence diagram. To this end, a population of possible parameter configurations for the aforementioned models will be generated, which will be compared with the decisions previously made by experts. This iterative process will allow improving the estimation over a given number of generations, thus decreasing the need for extensive expert knowledge. Instead of requiring complete probability and preference models, a reduced set of relevant decisions and the structure of dependencies or influences of the model will suffice to obtain satisfactory results.
At the end, a comprehensive comparison of the results obtained using a genetic algorithm will be performed by adjusting its hyperparameters to reach the optimal model. This detailed analysis will make it possible to evaluate the relative efficiency of the selected metaheuristic and to determine the most effective strategy to address the problem in question. Read More
Related posts:
Previsión del precio SPOT en el mercado eléctrico español con redes neuronales
Predicción de demanda de gas y electricidad utilizando técnicas estadísticas avanzadas e inteligencia artificial
Evaluación de compatibilidad de modelos y marcos de identidad digital
Desarrollo de un interfaz hombre-máquina de creación de contraejemplos para mejorar la explicabilidad y usabilidad de modelos de aprendizaje automático
Propuesta de aplicación del modelo de educación deportiva
para la enseñanza del baloncesto
Diseño de una metodología de cálculo del Valor del Cliente (CLTV) basada en
redes neuronales para la predicción del comportamiento de los consumidores
en un entorno empresarial