Модели и алгоритмы информационной системы управление энергосбережением

ОС

0,000

Таблица 5.7.8

К3	Линей-ная регрес-сия	Нейрон-ные сети	Визуали-зация	Дерев-ья реше-ний	к-ближай-шего соседа	Вектор приори-тетов
Линейная регрессия	1	1,021	0,842	0,842	0,960	0,185
Нейрон-ные сети	0,979	1	0,825	0,825	0,940	0,181
Визуали-зация	1,188	1,213	1	1	1,140	0,220
Деревья решений	1,188	1,213	1	1	1,140	0,220
к-бли­жайшего соседа	1,042	1,064	0,877	0,877	1	0,193
					max	5,000
					ИС	0,000
					ОС	0,000

Таблица 5.7.9

К4	Линей-ная регрес-сия	Нейрон-ные сети	Визуали-зация	Дерев-ья реше-ний	к-ближай-шего соседа	Вектор приори-тетов
Линейная регрессия	1	1,075	1	1,295	1,425	0,227
Нейрон-ные сети	0,930	1	0,930	1,205	1,325	0,211
Визуали-зация	1	1,075	1	1,295	1,425	0,227
Деревья решений	0,772	0,830	0,772	1	1,100	0,175
к-бли­жайшего соседа	0,702	0,755	0,702	0,909	1	0,159
					max	5,000
					ИС	0,000
					ОС	0,000

Таблица 5.7.10

К5	Линей-ная регрес-сия	Нейрон-ные сети	Визуали-зация	Дерев-ья реше-ний	к-ближай­шего соседа	Вектор приори-тетов
Линейная регрессия	1	1	0,581	0,632	1,440	0,167
Нейрон-ные сети	1	1	0,581	0,632	1,440	0,167
Визуали-зация	1,722	1,722	1	1,088	2,480	0,287
Деревья решений	1,583	1,583	0,919	1	2,280	0,264
к-бли-жайшего соседа	0,694	0,694	0,403	0,439	1	0,116
					max	5,000
					ИС	0,000
					ОС	0,000

Таблица 5.7.11

К6	Линей-ная регрес-сия	Нейрон-ные сети	Визуали-зация	Деревья решений	к-ближайшего соседа	Вектор приоритетов
Линейная регрессия	1	0,935	1,387	0,754	1,483	0,209
Нейрон-ные сети	1,070	1	1,484	0,807	1,586	0,223
Визуали-зация	0,721	0,674	1	0,544	1,069	0,150
Деревья решений	1,326	1,239	1,839	1	1,966	0,277
к-бли-жайшего соседа	0,674	0,630	0,935	0,509	1	0,141
					max	5,000
					ИС	0,000
					ОС	0,000

Таблица 5.7.12

К7	Линей-ная регрес-сия	Нейрон-ные сети	Визуали-зация	Дерев-ья реше-ний	к-ближай-шего соседа	Вектор приори-тетов
Линейная регрессия	1	0,983	3,412	1,137	0,967	0,237
Нейрон-ные сети	1,017	1	3,471	1,157	0,983	0,241
Визуали-зация	0,293	0,288	1	0,333	0,283	0,069
Деревья решений	0,879	0,864	3,000	1	0,850	0,208
к-бли-жайшего соседа	1,034	1,017	3,529	1,176	1	0,245
					max	5,000
					ИС	0,000
					ОС	0,000

Таблица 5.7.13

К8	Линей-ная регрес-сия	Нейрон-ные сети	Визуали-зация	Дерев-ья решен-ий	к-ближай-шего соседа	Вектор приори-тетов
Линейная регрессия	1	1,031	0,660	0,660	1,065	0,168
Нейрон-ные сети	0,970	1	0,640	0,640	1,032	0,163
Визуали-зация	1,515	1,563	1	1	1,613	0,255
Деревья решений	1,515	1,563	1	1	1,613	0,255
к-бли-жайшего соседа	0,939	0,969	0,620	0,620	1	0,158
					max	5,000
					ИС	0,000
					ОС	0,000

Шаг 12. Следующим этапом является применение принципа синтеза. Для выявления составных, или глобальных, приоритетов методов в матрице локальные приоритеты располагаются по отношению к каждому критерию, каждый столбец векторов умножается на приоритет соответствующего критерия и результат складывается вдоль каждой строки.

Дальше из векторов приоритетов составим матрицу

Определим глобальные приоритеты при независимости:

где глобальные приоритет i – варианта при незави­симости.

В нашем случае

В результате вычислений получаем следующие значения (табл. 5.7.14).

Таблица 5.7.14

172
Результаты глобальных приоритетов

Наименование критерии	Точность	Масштабируемость	Интерпретируемость	Пригодность к использованию	Трудоемкость	Разносторонность	Быстрота	Популярность	Обобщенные или глобальные приоритеты
Вектор приоритетов каждого критерии	0,197	0,169	0,069	0,134	0,084	0,106	0,191	0,050