Hamacher T-normu (Ayarlanabilir Çarpım-Toplam Ailesi)

Hamacher t-normu, Einstein t-normunun genelleştirilmiş hâlidir. İki üyelik derecesini ya da bir sezgisel bulanık sayının iki bileşenini birleştirirken kullanıcının belirlediği bir γ parametresine göre daha gevşek ya da daha sıkı davranır. Kendi başına bir karar yöntemi değildir; sezgisel bulanık ağırlıklı ortalama gibi yöntemlerin içinde, birden çok uzmanın ya da birden çok kriterin değerlendirmesini birleştiren adımı çalıştırır. Çıktısı bir sıra değil, tek bir sayı ya da yeni bir üyelik-karşı-üyelik çiftidir. Hamacher (1978) tarafından mantıksal bağlaçların değerlendirme fonksiyonları üzerine yapılan çalışmada önerilmiş, sonraki yıllarda sezgisel ve Pisagorcu bulanık toplulaştırma operatörlerinde yaygın biçimde kullanılmıştır.

Bir t-normun görevi şu soruya cevap vermektir: iki koşul da bir miktar sağlanıyorsa, ikisinin birlikte sağlanma derecesi nedir? Hamacher ailesi bu soruya tek bir cevap değil, γ parametresiyle ayarlanabilen bir cevap ailesi sunar. γ=1 alındığında aile sıradan çarpıma (cebirsel t-norma) eşitlenir; γ arttıkça birleştirme kuralı daha temkinli hâle gelir ve sonuç küçülür; γ=2'de tam olarak Einstein t-normuna eşitlenir. Bu, "iki kanıtı ne kadar temkinli birleştirmeliyim" sorusuna tek bir sabit cevap değil, ayarlanabilir bir kadran sunmanın matematiğe dökülmüş hâlidir. Felsefi sonucu şudur: γ küçükken Hamacher toplulaştırması cebirsel toplulaştırmaya yakın ve nispeten telafi edicidir; γ büyüdükçe daha az telafi edici hâle gelir ve zayıf kanıtları daha ağır cezalandırır.

Yöntem üç adımda ilerler.

Birinci adım, γ parametresinin seçilmesi. γ sıfırdan büyük herhangi bir sayı olabilir. γ=1 sıradan çarpımı, γ=2 Einstein çarpımını verir; γ arttıkça çarpım sonucu küçülür, yani birleştirme daha temkinli olur. Örneğin 0,6 ile 0,7 için γ=1'de çarpım 0,42, γ=2'de 0,375'tir; γ büyüdükçe bu değer daha da küçülmeye devam eder.

İkinci adım, Hamacher çarpımı ve toplamı. Seçilen γ ile iki değer birleştirilir. Çarpım kuralı (T) "VE" mantığına, toplam kuralı (S) "VEYA" mantığına karşılık gelir; ikisi birbirinin aynadaki görüntüsüdür ve γ değiştikçe birlikte değişirler. γ=1'de 0,6 ile 0,7'nin toplamı 0,88, γ=2'de 0,915'tir; γ arttıkça toplam da büyümeye devam eder ama her zaman 1'in altında kalır.

Üçüncü adım, iki sezgisel bulanık sayının birleştirilmesi. İki değerlendirme birleştirilirken üyelik dereceleri Hamacher toplamıyla, karşı-üyelik dereceleri Hamacher çarpımıyla bir araya gelir. Seçilen γ ne kadar büyükse birleşim o kadar temkinli olur ve sonuç yine geçerli bir sezgisel bulanık sayı kalır.

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

Hamacher t-normunun çıktısı tek başına bir karar sonucu değildir; bir ev sahibi yöntemin ara adımıdır. Çıktıdan türetilen puan, yani üyelik eksi karşı-üyelik, birleşik kanıtın genel eğilimini gösterir. Bu puan yalnız aynı γ ile hesaplanan başka puanlarla karşılaştırılabilir. γ=1 ile hesaplanan bir puanla γ=6 ile hesaplanan bir puan aynı ölçekte görünse de farklı sıkılıktaki birleştirme kurallarının ürünüdür. γ büyüdükçe puanlar genelde birbirine yaklaşır ve aralarındaki fark küçülür; bu, "γ büyüdükçe seçenekler arasındaki fark daha güvenilir hâle geldi" anlamına gelmez, tam tersine küçük bir veri değişikliğinin sırayı değiştirebileceği bir bölgeye girildiğinin işareti olabilir.

Bu nedenle:

"Hamacher toplulaştırması seçeneği kesin olarak öne çıkardı"

yerine:

"Bu değerlendirmeler, γ=X ile seçilen Hamacher kuralıyla şu puanlara indirgendi; γ değiştirildiğinde sıranın nasıl değiştiği raporda gösterilmelidir"

biçiminde yazmak doğrudur.

Hamacher t-normu sezgisel bulanık veriyle çalışır: her değerlendirme bir üyelik ve bir karşı-üyelik derecesinden oluşur, ikisinin toplamı 1'i aşamaz. Aynı kural, Pisagorcu bulanık ve q-döngü bulanık gibi yakın veri türlerinde de kullanılır. DecisionMind'da bu yapı taşının ayrı bir uzantısı yoktur; Einstein t-normu, γ=2 alındığında Hamacher ailesinin özel bir üyesidir. Elinizde en az iki sezgisel bulanık değer ve bir γ tercihi olmalıdır. Hamacher t-normu ağırlık istemez ve üretmez; hangi ev sahibi yöntemin içinde çalıştığına bağlı olarak ağırlıklandırma o yöntemde ayrıca ele alınır.

Veriniz sezgisel ya da Pisagorcu bulanıksa ve birleştirme kuralının sıkılığını veri setinize göre ayarlamak istiyorsanız Hamacher t-normu uygun bir seçimdir. Kullanılmaması gereken durumlar şunlardır: veriniz kesinse t-norm gereksizdir. γ için bir gerekçeniz yoksa ve yalnızca "varsayılan" bir değer kullanacaksanız, sabit ve parametresiz Einstein t-normu daha şeffaf bir seçimdir. γ'yı sonuç istediğiniz sıralamayı verecek şekilde geriye dönük seçmek (önce sıra belirlenip sonra γ aranması) yöntemin amacını çarpıtır.

Sezgisel bulanık veri, birleştirme sıkılığı veriye göre ayarlanabilsin → Hamacher t-normu (γ)

Aynı ihtiyaç ama sabit, tartışmasız bir kural yeterli → Einstein t-normu (γ=2'ye sabitlenmiş)

γ yerine üstel/kuvvet tabanlı bir aile isteniyor → Schweizer-Sklar t-normu (p parametresi)

Veri kesin, birleştirme kuralına gerek yok → Doğrudan ağırlıklı ortalama

Hamacher t-normunun en önemli üstünlüğü esnekliğidir. Tek bir parametreyle cebirsel çarpımdan (γ=1) Einstein çarpımına (γ=2) ve daha ötesine uzanan geniş bir aileyi kapsar; bu da onu birçok farklı toplulaştırma ihtiyacı için tek bir çatı hâline getirir. Kapalı bir formülle hesaplanır, iterasyon gerektirmez. Sezgisel ve Pisagorcu bulanık toplulaştırma operatörlerinde geniş bir uygulama literatürüne sahiptir (Liu ve Chen, 2017; Zhu ve Li, 2018).

Sınırlılıkları esnekliğinin bedelidir. γ'nın seçimi çoğunlukla veriden değil, araştırmacının tercihinden gelir; aynı veri seti farklı γ değerleriyle farklı sıralar üretebilir ve bu, yöntemi tarafsız değil ayarlanabilir kılar (Xia, Xu ve Zhu, 2012). İkincisi, γ büyüdükçe seçenekler arasındaki puan farkları küçülme eğilimindedir; bu durum sıralamayı küçük veri değişikliklerine karşı daha savunmasız hâle getirebilir. Üçüncüsü, γ için raporlarda çoğu zaman bir gerekçe verilmez, sadece "γ=2 kullanıldı" denir; bu, seçimi keyfi gösterir.

En yaygın hata, γ=2'yi Einstein'dan "ayrı" bir yöntem sanmaktır; γ=2, Hamacher ailesinin Einstein'a denk gelen tek bir noktasıdır. İkinci hata, γ ile IFN'lerin karşı-üyelik+üyelik toplamının üst sınırını (q-döngü gibi) karıştırmaktır; ikisi farklı parametrelerdir. Üçüncü hata, aggregasyon sonrası sezgisel bulanık sayının geçerliliğini (üyelik+karşı-üyelik ≤ 1) kontrol etmeden γ değiştirip devam etmektir; bazı γ değerlerinde ara adımlar geçersiz bölgeye kayabilir ve bu kontrol edilmelidir.

Temel ilke şudur:

Hamacher t-normu bir toplulaştırma sonucunu değil, o sonucun hangi sıkılıkta üretildiğini belirler; γ seçimi ve gerekçesi rapora yazılmalıdır.