Lexicographic preferences for predictive modeling of human decision making: A new machine learning method with an application in accounting

ترجیحات واژگان در مجموعه ای از ویژگی ها ساختار شناختی قابل قبول را برای مدل سازی رفتار تصمیم گیران انسانی فراهم می کند. بنابراین، القاء مدل های مربوطه از ترجیحات نشان داده شده یا تصمیمات مشاهده شده یک مشکل جالب از دیدگاه یادگیری ماشین است. در این مقاله، یک الگوریتم یادگیری برای القا دادن مدل های ترجیحی واژگان تعمیم یافته از مجموعه داده های آموزشی ارائه شده است که شامل مقایسه های دوبعدی بین اشیاء است. رویکرد ما دستورالعملهای واژگانی ساده را به معنای اجازه دادن به مدل در نظر گرفتن ویژگیهای چندگانه به طور همزمان (به جای نگاه کردن به آنها به صورت یک به یک) تعمیم می دهد، که به طور قابل ملاحظه ای بیانگر کلاس مدل می شود. به منظور ارزیابی روش ما، ما یک مطالعه موردی از یک مسئله بسیار پیچیده دنیای واقعی یعنی انتخاب روش شناختی برای سود و زیان مشروط از طرح های بازنشستگی شغلی ارائه می دهیم. با استفاده از یک نمونه منحصر به فرد از شرکت های اروپایی، این مشکل برای نشان دادن اثربخشی رتبه بندی لغوی ما مناسب است. علاوه بر این، ما مجموعه ای از آزمایشات بر روی داده های معیار از دامنه یادگیری ماشین انجام می دهیم.