تحلیل پوششی داده ها و شبکه عصبی

یکی از اصلی ترین چالش های مربوط به استفاده از تحلیل پوششی داده ها، تفکیک پذیری این مدل برای واحدهای تصمیم گیرنده است. زمانی این مشکل به وجود می آید که تعداد واحدها در مقایسه با تعداد ورودی ها و خروجی های مدل کم باشد. حال این مسئله که شبکه عصبی چه ارتباطی با تحلیل پوششی داده ها دارد مبحث مورد بحث در این مقاله قرار گرفته است.

بیشتر بخوانید: تحلیل پوششی داده ها در زنجیره تأمین

ارزیابی کارایی و بهره وری دو مقوله بسیار مهم در هر سازمان می باشد که توسط مدل های تحلیل پوششی داده های صورت می گیرد. هر سازمانی که به دنبال بقاء باشد، باید از این مدل استفاده کند. در ادامه این مقاله ابتدا تعریف مختصری از تحلیل پوششی داده ها ارائه می کنیم و سپس به بررسی ارتباط میان این روش با شبکه عصبی خواهیم پرداخت.

تحلیل پوششی داده ها چیست؟

تحلیل پوششی داده ها (DEA) یک روش ریاضی برای ارزیابی عملکرد واحدهای تصمیم گیرنده است. این روش در واقع نوعی رویکرد بهینه سازی بوده و با استفاده از مدل برنامه ریزی خطی حل می شود بنابراین دارای چهار جزء اصلی الف) ورودی، ب) خروجی، پ) واحد تصمیم گیری و ت) داده ها می باشد و قیدهای مربوط به هر یک از اجزاء باید رعایت شوند.

شبکه های عصبی چیست؟

شبکه های عصبی (Neural Networks) نوعی مدل ریاضی برای تقلید کردن از عملکرد مغز انسان و قابلیت های آن در استخراج الگوهای موجود در داده ها می باشد. در این روش هیچ نیازی به در نظر گرفتن مفروضات در مورد روابط موجود بین متغیرها وجود ندارد. اساس عملکرد شبکه های عصبی نورون (کوچکترین واحد پردازشگر اطلاعات) است. شبکه عصبی نیز همانند مدل های برنامه ریزی دارای ورودی و خروجی می باشد.

تحلیل پوششی داده ها و شبکه های عصبی

با کنار هم قرار دادن تعاریف مربوط به تحلیل پوششی داده ها و شبکه های عصبی به این نتیجه می رسیم که شبکه های عصبی کاربردهای جالبی در زمینه تحلیل پوششی داده ها دارد و به نوعی مکمل هم هستند. فرض کنید از تحلیل پوششی داده ها قصد داریم برای ارزیابی عملکرد یک شرکت استفاده کنیم، در این جا شبکه های عصبی به خوبی الگوهای موجود در داده ها را کشف می کنند و تحلیل پوششی داده ها بعد از این تشخیص، داده ها را تجزیه و تحلیل کرده و نتایج خوبی به ما می دهند.

توجه داشته باشید که تحلیل پوششی داده ها نوعی روش بهینه سازی متشکل از ورودی، خروجی و واحد تصمیم گیری (DMU) می باشد بنابراین در استفاده از آن باید دقت کنید که قیدهای مربوط به تعداد ورودی، تعداد خروجی و تعداد واحد تصمیم گیری را رعایت نمایید تا در شدنی بودن مسئله شما خللی وارد نشود. در مقاله ای از دو روش تحلیل پوششی داده ها و شبکه های عصبی برای ارزیابی عملکرد واحدهای تصمیم گیرنده استفاده شده است که نتایج جالبی را نیز به دست آورده اند (منبع).

بیشتر بخوانید: تحلیل پوششی داده ها در الگوریتم ژنتیک

0 پاسخ

دیدگاه خود را ثبت کنید

Want to join the discussion?
Feel free to contribute!

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *