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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/52014

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