Bulanık PCA (Fuzzy Principal Component Analysis, TFN bileşen profili)

Bulanık PCA bir sıralama yöntemi değildir; seçenekleri sıralamaz, kriterlerin ağırlığını üretir. Girdi olarak her hücrede tek bir sayı yerine üçgen bulanık sayı (TFN) alır: alt sınır, en olası değer ve üst sınır. Bu, verinin kesin değil "yaklaşık" ya da uzman yargısıyla verildiği durumları temsil eder.

Yöntemin dayandığı fikir, temel bileşenler analizidir (Principal Component Analysis, PCA); bu istatistiksel teknik Karl Pearson tarafından 1901'de tanımlanmıştır ve kriterler arasındaki ortak değişimi (varyansı) yakalayan birkaç "bileşene" indirger. DecisionMind'ın bu profili, kesin PCA hesabını TFN'nin üç bileşenine (alt sınır, en olası değer, üst sınır) ayrı ayrı, birbirinden bağımsız olarak uygular ve üç sonucu ortalar. Bu yaklaşım, literatürde tek bir kurucu makaleye dayanan, "fuzzy PCA ağırlıklandırması" adıyla anılan standart bir yöntem değildir; DecisionMind'ın kendi mühendislik profilidir ve manifest bunu açıkça böyle tanımlar. Kriterler arasındaki ilişkiye bakarak ağırlık üretmek isteyen ama verisi bulanık olan bir kullanıcı için pratik bir çözümdür; ne var ki "PCA" adını taşımasının ötesinde, tek bir akademik kaynağın onayladığı bir formülasyon değildir.

PCA'nın arkasındaki fikir şudur: bir kriter grubu birbirine çok bağlıysa (biri artınca diğerleri de artıyorsa), bu grup aslında tek bir ana eğilimi ölçüyordur ve bu eğilimi en güçlü yansıtan kriterler daha çok ağırlık hak eder. Yöntem, kriterler arası ortak değişimi matematiksel olarak ayrıştırır ve her kriterin bu ortak değişime ne kadar katkı sağladığını ölçer. Bulanık uyarlamada bu fikre bir soru daha eklenir: veri kesin olmayıp bir aralıkta (l, m, u) verildiğinde, "en kötümser okumayla," "en olası okumayla" ve "en iyimser okumayla" hesaplanan ağırlıklar birbirinden ne kadar farklı çıkar? Üç okuma birbirine yakınsa belirsizlik ağırlığı fazla etkilemiyor demektir; üç okuma birbirinden uzaksa TFN'nin genişliği sonucu gerçekten değiştiriyor demektir.

Bu felsefenin sonucu, yöntemin hem "kriterler arasındaki yapıyı" hem "verinin ne kadar belirsiz olduğunu" aynı anda göstermesidir. Ama üç bileşenin bağımsız çalıştırılması, TFN'nin kendi iç tutarlılığını (alt sınırın, en olası değerin ve üst sınırın birlikte tek bir bulanık büyüklüğü temsil ettiğini) hesaba katmaz; üç ayrı kesin problem çözülür ve sonunda ortalanır.

Yöntem üç adımda ilerler.

Birinci adım, girdi doğrulama. Her hücredeki üçgen bulanık sayının alt sınır ≤ en olası değer ≤ üst sınır sırasını sağladığı ve her kriter için bir yön (çoğu iyi / azı iyi) bildirildiği kontrol edilir. En az iki alternatif ve iki kriter aranır; hiçbir kriter alternatifleri ayırt etmiyorsa (üç bileşende de bütün değerler aynıysa) hesap durur.

İkinci adım, üç bağımsız PCA. Kesin PCA hesabı sırasıyla en küçük-en büyük ölçeklemesi, standartlaştırma, kriterler arası korelasyon matrisinin özdeğer ve özvektörlere ayrıştırılması ve özdeğeri 1'in üzerinde kalan bileşenlerin (Kaiser ölçütü) tutulmasından oluşur. Bu hesap, TFN'nin alt sınır tablosuna, en olası değer tablosuna ve üst sınır tablosuna ayrı ayrı uygulanır. Her tablo kendi başına kesin bir PCA sonucu, yani kendi ağırlık vektörünü üretir.

Üçüncü adım, ortalama ve belirsizlik ölçüsü. Üç ağırlık vektörünün ortalaması alınır ve toplamı 1 olacak biçimde yeniden ölçeklenir; bu son ağırlık vektörüdür. DecisionMind ayrıca bu ortalamanın yalnız en olası değerden çıkan ağırlıktan ne kadar uzaklaştığını ve üç bileşen arasındaki en büyük ağırlık farkını da hesaplayıp raporlar; bu iki sayı, TFN'nin genişliğinin sonucu ne kadar etkilediğinin göstergesidir.

Adımların formülleri ve ara tabloları DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Ağırlık vektörü, kesin PCA'da olduğu gibi kriterlerin ortak varyansa katkısını yansıtır; ama burada bu katkı üç ayrı okumanın (kötümser, olası, iyimser) ortalamasıdır. Yanında raporlanan iki ek sayı okunmadan ağırlık tek başına eksik yorumlanır: bileşenler arası en büyük fark küçükse (örneğin binde birkaç), TFN'nin genişliği ağırlığı neredeyse hiç değiştirmemiş demektir ve kesin veriyle aynı sonuca güvenle yaklaşılabilir. Bu fark büyükse, alt ve üst sınırın seçimi sonucu gerçekten değiştiriyor demektir ve rapor bu duyarlılığı belirtmelidir.

Ağırlık kriterin karar vericiye göre önemini değil, verideki ortak değişime katkısını ölçer; bu, kesin PCA-WEIGHT kartında anlatılan yorumla aynıdır, yalnız burada üç bulanık okumanın ortalaması alınmıştır.

Bu nedenle:

"Bulanık PCA analizi bu kriterin en önemli kriter olduğunu gösterdi"

yerine:

"Bu üç bulanık okumanın ortalamasında bu kriter ortak varyansa en çok katkı sağlıyor; alt ve üst sınır arasındaki fark ağırlığı şu kadar değiştiriyor, bu da belirsizliğin sonuca etkisini gösteriyor"

biçiminde yazmak doğrudur.

Bu profil bulanık (üçgen bulanık sayı, TFN) veriyle çalışır: her hücrede tek bir sayı yerine alt sınır, en olası değer ve üst sınır üçlüsü bulunur. Veriniz kesinse (her hücrede tek bir sayı) bu profile gerek yoktur; DecisionMind'da aynı fikrin kesin karşılığı ayrı bir kart olan PCA Ağırlıklandırmasıdır. DecisionMind'da bu bulanık profilin kendi içinde ayrı bir uzantısı yoktur.

Elinizde şunlar olmalı: satırlarda alternatifler, sütunlarda kriterler, her hücrede l ≤ m ≤ u sırasını sağlayan bir üçlü; her kriter için "çoğu mu iyi, azı mı iyi" bilgisi. Ağırlık girilmez; yöntem ağırlığı üretir. En az iki alternatif ve iki kriter gerekir. Alt sınır ile üst sınır birbirine çok yakınsa (neredeyse kesin veri gibi) üç bileşenin sonucu da birbirine yaklaşır ve bulanıklığın kattığı bilgi azalır.

Kriterleriniz sayısal ama kesin değilse, uzman yargısıyla bir aralıkta ("en az şu, muhtemelen şu, en çok şu") verilmişse ve kriterler arasındaki ortak yapıya göre ağırlık türetmek istiyorsanız bu profil bir seçenektir. Belirsizliğin ağırlığı ne kadar etkilediğini görmek istediğiniz durumlarda, yalnız tek bir kesin sayı vermek yerine bu üç okumayı karşılaştırmak faydalıdır.

Kullanılmaması gereken durumlar hem felsefesinden hem kaynağının niteliğinden gelir. Kriterler arasında güçlü bir ortak yapı beklenmiyorsa PCA'nın temel varsayımı (birkaç bileşenin çoğu varyansı açıklaması) sağlanmaz ve ağırlıklar dengesiz çıkabilir. Alternatif sayısı azsa (üç dört alternatif) korelasyon matrisi güvenilir kurulamaz. Sonucun tek bir literatür kaynağına dayanan, akademik olarak yerleşmiş bir yöntem olması gerekiyorsa bu profil yerine kaynağı net bir yöntem tercih edilmelidir; örneğin bir tez ya da hakemli yayında "literatürde tanımlı fuzzy PCA yöntemi" diye sunulacaksa bu profil kullanılmamalıdır. Bu profilin kurucusu bir akademik makale değil DecisionMind'ın kendi motorudur.

Veri bulanık, kriterler arası ortak yapı önemli → Bulanık PCA

Veri kesin → PCA Ağırlıklandırması

Yalnız ayırt edicilik yeterli, ortak yapı önemli değil → Bulanık Entropi

Akademik yayında tek bir yerleşik yöntem kaynağı gerekiyor → Kaynağı net bir bulanık ağırlık yöntemi seçin, bu profili değil

Alternatif sayısı çok az → Korelasyon matrisi güvenilmez, sonucu ihtiyatla okuyun

Bu profilin en pratik yanı, kesin PCA'nın kriterler arası ortak yapıyı yakalama gücünü bulanık veriye taşımasıdır. Üç bileşenin ayrı ayrı hesaplanıp karşılaştırılması, belirsizliğin ağırlığı ne kadar etkilediğini doğrudan gösterir; bu, tek bir kesin sayıdan çıkan ağırlıkta görünmeyen bir bilgidir. Hesabı adım adım izlenebilir ve her bileşen ayrı raporlanabilir.

Sınırlılıkların en önemlisi kaynağın niteliğidir: bu profilin tek bir akademik makalesi yoktur; DecisionMind'ın kendi kaynak kodundan (bir yazılım deposundan) türetilmiş bir mühendislik profilidir ve manifest bunu "evidence level C" olarak, yani bağımsız literatür doğrulaması olmayan bir kanıt düzeyi olarak işaretler. İkincisi, üç bileşenin bağımsız hesaplanması TFN'nin iç tutarlılığını (alt, orta ve üst sınırın birlikte tek bir bulanık büyüklüğü temsil ettiğini) göz ardı eder; sonuçta üç ayrı kesin problem çözülüp ortalanır, gerçek bir bulanık aritmetik yapılmaz. Üçüncüsü, kesin PCA'nın kendi sınırlılıkları (az alternatifte güvenilmez korelasyon, kriterler arası doğrusal olmayan ilişkilerin görülememesi) burada da geçerlidir. Dördüncüsü, alt ve üst sınır arasındaki fark her kriterde aynı büyüklükte değilse, yani bir kriterde daha "eşit" bir belirsizlik, başka bir kriterde daha "çarpık" bir belirsizlik varsa, bu asimetri yalnız üst sınır bileşeninin ağırlığını etkileyebilir. Bu etkinin nedeni ortalamaya bakınca görünmez; ayrı bileşenlere bakmak gerekir.

En yaygın hata, bu profili "literatürde tanımlı, adı geçen fuzzy PCA yöntemi" diye sunmaktır; bu profil DecisionMind'ın kendi mühendislik kararıdır ve raporda böyle belirtilmelidir.

İkinci hata, yalnız son ağırlığa bakıp üç bileşen arasındaki farkı hiç incelememektir; belirsizliğin sonucu ne kadar etkilediği bu farktan anlaşılır. Üçüncü hata, alt ve üst sınırı birbirine çok yakın (neredeyse kesin veri gibi) girip sonra "bulanık analiz yaptık" demektir; TFN'nin genişliği neredeyse sıfırsa üç bileşen de aynı sonucu verir ve bulanıklığın kattığı bir şey olmaz. Dördüncü hata, az alternatifle (üç dört alternatif) çıkan ağırlıkları kesin bir oranmış gibi raporlamaktır; korelasyon matrisi bu büyüklükte güvenilir değildir.

Temel ilke şudur:

Bulanık PCA ağırlığı üç ayrı kesin hesabın ortalamasıdır; rapor hem bu ortalamayı hem bileşenler arasındaki farkı göstermeli ve bu profilin bir literatür standardı değil DecisionMind'ın mühendislik profili olduğunu açıkça belirtmelidir.