MARTINS, Weber; NALINI, Laura Eugênio Guimarães    TSUKAHARA, Fernando Pirkel. Context-sensitive multidimensional ranking: an alternative technique to data complexity. []. , 6, 1, pp.265-293. ISSN 1984-6657.

^len^aMany applications, as comparison among products represented by a large number of attributes, require ordering of instances represented by high dimensional vectors. Despite the reasonable quantity of papers on classification and clustering, papers on multidimensional ranking are rare. This paper expands a generic neurogenetic ranking procedure based on one-dimensional Self-Organizing Maps (SOMs). Their typical similarity metric is modified to a weighted Euclidean metric and automatically adjusted by a genetic algorithm, a heuristic search (optimization) technique. The search goal is the best ranking that matches the desired probability distribution (provided by experts) leading to a context-sensitive metric. In order to ease expert agreement, the technique relies on consensus about the best and worst instances only. In addition to providing a ranking, the derived metric is also useful for reducing the number of dimensions (questionnaire items in some situations) and for modeling the data source. In practical terms, a technique to convert subjective knowledge into objective scores is presented, creating a specific and operational model capable to deal with new situations. This technique is exemplified by two cases: ranking of data from blood bank inspections and client segmentation in agribusiness. On the theoretical point ofview, instead, the proposed system has presented a way to stabilize results from SOMs by imposing expert constraints, leading to context-sensitive multidimensional ranking. Despite the fact that SOMs are a class of artificial neural networks, they are radically different from the neural model usually employed in Business and Economics studies, the multilayer perceptron with backpropagation training algorithm. The main objective of this article is, therefore, to present a powerful combination of techniques originated in Artificial Intelligence - a multidisciplinary field more related to Engineering than to Mathematics, where Statistics has its origins and deductive basis^lpt^aMuitas aplicações, como a comparação entre produtos representados por um grande número de atributos, requerem a ordenação de dados representados por vetores de alta dimensionalidade. A despeito da razoável quantidade de artigos nas áreas de classificação e agrupamento, trabalhos em ranking multidimensional são raros. Este artígo expande um procedimento neurogenético genérico de ordenação baseado em mapas auto-organizáveis (SOMs) unidimensionais. A métrica típica de similaridade, distância euclidiana, é modificada para uma distância euclidiana ponderada, sendo automaticamente ajustada através de busca com uso de algoritmos genéticos, uma técnica heurística de busca (optimização). O objetivo da busca é encontrar a ponderação cujo ranking melhor se ajusta aos critérios solicitados por especialistas, conduzindo a métricas sensíveis ao contexto. Para facilitar o acordo entre especialistas, a técnica sustenta-se no consenso sobre o melhor e o pior dado somente. Além da tarefa de ordenação, a métrica derivada é ainda útil na redução do número de dimensões (itens de questionários em algumas situações) e na modelagem da fonte de dados. Em termos práticos, uma técnica para converter julgamentos subjetivos em notas objetivas é apresentada, criando-se um modelo específico e operacional que é capaz de lidar com novas situações. Essa técnica é exemplificada brevemente por dois casos: ranking de dados oriundos de inspeções em bancos de sangue e segmentação de clientes em agronegócios. Sob ponto de vista teórico, o sistema proposto apresentou um modo de estabilizar resultados obtidos a partir do trainamento de SOMs pela imposição de restrições de especialistas humanos, conduzindo a ranking multidimensionais sensíveis a contexto. Embora SOMs constituam uma classe de redes neurais artificiais, eles são radicalmente diferentes do modelo neural usualmente empregado em estudos econõmicos e de negócios, o perceptron multicamadas com algoritmo de treinamento de retropropagação de erros (backpropagation). O principal objetivo deste artigo é, portanto, a apresentação de uma interessante combinação de técnicas originadas na Inteligência Artificial - um campo multidisciplinar mais ligado à Engenharia que à Matemática, onde Estatística tem suas origens e base dedutiva

: .

        · | |     ·     · ( pdf )