Regresión con SVM para reducir la inconsistencia de la matriz AHP
- Autores
- Favret, Fabián; Rodriguez, Federico Matias; Labat, Marianela Daiana
- Año de publicación
- 2015
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Entre las herramientas de toma de decisiones, el proceso analítico jerárquico (AHP: Analytic Hierarchy Process) es una de las técnicas más usadas. Las propiedades complejas de su estructura permiten tener en cuenta las subjetividades en los juicios de los expertos pero también surge un considerable grado de inconsistencia cuando se computan las prioridades entre las alternativas de decisión. El presente trabajo de investigación analiza la herramienta de aprendizaje automático denominada máquina de vectores de soporte (SVM: Support Vector Machine), específicamente la versión de regresión denominada regresión de vectores de soporte épsilon (εSVR: Epsilon Support Vector Regression) para la reducir el grado de consistencia (CR: Consistency Ratio) en las matrices de comparativas de paridad AHP inconsistentes. Las pruebas obtenidas dieron como resultado que SVM tiene un porcentaje de precisión elevado en la predicción para reducir la inconsistencia de las matrices cuando se presentan entradas desconocidas para la red y una convergencia rápida con pocas iteraciones.
Sociedad Argentina de Informática e Investigación Operativa (SADIO) - Materia
-
Ciencias Informáticas
toma de decisiones
AHP
SVM - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-sa/3.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/52014
Ver los metadatos del registro completo
id |
SEDICI_ad31fe7f5457c38059c78d814566b205 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/52014 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Regresión con SVM para reducir la inconsistencia de la matriz AHPFavret, FabiánRodriguez, Federico MatiasLabat, Marianela DaianaCiencias Informáticastoma de decisionesAHPSVMEntre las herramientas de toma de decisiones, el proceso analítico jerárquico (AHP: Analytic Hierarchy Process) es una de las técnicas más usadas. Las propiedades complejas de su estructura permiten tener en cuenta las subjetividades en los juicios de los expertos pero también surge un considerable grado de inconsistencia cuando se computan las prioridades entre las alternativas de decisión. El presente trabajo de investigación analiza la herramienta de aprendizaje automático denominada máquina de vectores de soporte (SVM: Support Vector Machine), específicamente la versión de regresión denominada regresión de vectores de soporte épsilon (εSVR: Epsilon Support Vector Regression) para la reducir el grado de consistencia (CR: Consistency Ratio) en las matrices de comparativas de paridad AHP inconsistentes. Las pruebas obtenidas dieron como resultado que SVM tiene un porcentaje de precisión elevado en la predicción para reducir la inconsistencia de las matrices cuando se presentan entradas desconocidas para la red y una convergencia rápida con pocas iteraciones.Sociedad Argentina de Informática e Investigación Operativa (SADIO)2015-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1-8http://sedici.unlp.edu.ar/handle/10915/52014spainfo:eu-repo/semantics/altIdentifier/url/http://44jaiio.sadio.org.ar/sites/default/files/asai1-8.pdfinfo:eu-repo/semantics/altIdentifier/issn/2451-7585info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-sa/3.0/Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:37:08Zoai:sedici.unlp.edu.ar:10915/52014Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:37:09.021SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
title |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
spellingShingle |
Regresión con SVM para reducir la inconsistencia de la matriz AHP Favret, Fabián Ciencias Informáticas toma de decisiones AHP SVM |
title_short |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
title_full |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
title_fullStr |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
title_full_unstemmed |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
title_sort |
Regresión con SVM para reducir la inconsistencia de la matriz AHP |
dc.creator.none.fl_str_mv |
Favret, Fabián Rodriguez, Federico Matias Labat, Marianela Daiana |
author |
Favret, Fabián |
author_facet |
Favret, Fabián Rodriguez, Federico Matias Labat, Marianela Daiana |
author_role |
author |
author2 |
Rodriguez, Federico Matias Labat, Marianela Daiana |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas toma de decisiones AHP SVM |
topic |
Ciencias Informáticas toma de decisiones AHP SVM |
dc.description.none.fl_txt_mv |
Entre las herramientas de toma de decisiones, el proceso analítico jerárquico (AHP: Analytic Hierarchy Process) es una de las técnicas más usadas. Las propiedades complejas de su estructura permiten tener en cuenta las subjetividades en los juicios de los expertos pero también surge un considerable grado de inconsistencia cuando se computan las prioridades entre las alternativas de decisión. El presente trabajo de investigación analiza la herramienta de aprendizaje automático denominada máquina de vectores de soporte (SVM: Support Vector Machine), específicamente la versión de regresión denominada regresión de vectores de soporte épsilon (εSVR: Epsilon Support Vector Regression) para la reducir el grado de consistencia (CR: Consistency Ratio) en las matrices de comparativas de paridad AHP inconsistentes. Las pruebas obtenidas dieron como resultado que SVM tiene un porcentaje de precisión elevado en la predicción para reducir la inconsistencia de las matrices cuando se presentan entradas desconocidas para la red y una convergencia rápida con pocas iteraciones. Sociedad Argentina de Informática e Investigación Operativa (SADIO) |
description |
Entre las herramientas de toma de decisiones, el proceso analítico jerárquico (AHP: Analytic Hierarchy Process) es una de las técnicas más usadas. Las propiedades complejas de su estructura permiten tener en cuenta las subjetividades en los juicios de los expertos pero también surge un considerable grado de inconsistencia cuando se computan las prioridades entre las alternativas de decisión. El presente trabajo de investigación analiza la herramienta de aprendizaje automático denominada máquina de vectores de soporte (SVM: Support Vector Machine), específicamente la versión de regresión denominada regresión de vectores de soporte épsilon (εSVR: Epsilon Support Vector Regression) para la reducir el grado de consistencia (CR: Consistency Ratio) en las matrices de comparativas de paridad AHP inconsistentes. Las pruebas obtenidas dieron como resultado que SVM tiene un porcentaje de precisión elevado en la predicción para reducir la inconsistencia de las matrices cuando se presentan entradas desconocidas para la red y una convergencia rápida con pocas iteraciones. |
publishDate |
2015 |
dc.date.none.fl_str_mv |
2015-08 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/52014 |
url |
http://sedici.unlp.edu.ar/handle/10915/52014 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/http://44jaiio.sadio.org.ar/sites/default/files/asai1-8.pdf info:eu-repo/semantics/altIdentifier/issn/2451-7585 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-sa/3.0/ Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-sa/3.0/ Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0) |
dc.format.none.fl_str_mv |
application/pdf 1-8 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1842260226631270400 |
score |
13.13397 |