İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklar🔒 Tam yöntemi okuKaynaklar
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Karar verme›UTilités Additives DIScriminantes (Toplamsal Fayda Sıralaması)
MCDMSortingcrisp

UTilités Additives DIScriminantes (Toplamsal Fayda Sıralaması)

UTilités Additives DIScriminantes (Additive Utility Sorting)

UTADIS (UTilités Additives DIScriminantes (Toplamsal Fayda Sıralaması)), Devaud, J. M., Groussaud, G., Jacquet-Lagrèze, E. tarafından 1980 yılında tanıtılan bir sıralama çok kriterli karar verme (ÇKKV) yöntemidir. Birden çok kritere göre puanlanmış alternatiflerden oluşan bir karar matrisini yapılandırılmış, tekrarlanabilir bir sonuca dönüştürür.

ScholarGate
  1. MCDM
  2. v1
  3. 1 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Ne zaman kullanılır

UTADIS, parçalı doğrusal marjinal faydaları u_i ve Q−1 sınıf eşiklerini u_k'yi bilinen sınıf atamalarına sahip etiketli bir referans kümesinden öğrenerek alternatifleri Q sıralı sınıfa (en iyiden en kötüye) ayırır. LP (Eqs.(21)-(27)), toplam sınıflandırma hatası F = Σ_{a∈C_1} σ⁺(a) + … + Σ_{a∈C_Q} σ⁻(a)'yı minimize eder. σ⁺(a), ALT SINIR ihlal gevşekliğidir (alternatifin U(a) değeri, sınıfının alt eşiğinin altındadır); σ⁻(a), ÜST SINIR ihlal gevşekliğidir (alternatifin U(a) değeri, sınıfının üst eşiğinin üzerindedir). Referans kümesi etiketlenmiş olmalıdır (KV'nin önceden sınıflandırması verilmiştir). Çıktı: U(a)

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Adım adım denetlenebilen şeffaf, tekrarlanabilir bir hesaplama prosedürünü takip eder.
  • Tek bir karar matrisi içinde farklı ölçek ve birimlerdeki birden çok kriteri ele alır.
Sınırlılıklar
  • Tam telafiyi varsayar — bir kriterdeki güçlü bir puan, başka bir kriterdeki zayıf bir puanı dengeleyebilir.

Kaynaklar

  1. Devaud, J. M., Groussaud, G., Jacquet-Lagrèze, E. (1980). UTADIS: Une méthode de construction de fonctions d'utilité additives rendant compte de jugements globaux. European Working Group on MCDA, Bochum link ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 2). UTilités Additives DIScriminantes (Additive Utility Sorting). ScholarGate. https://scholargate.app/tr/decision-making/utadis

Benzer yöntemler

UTilités Additives (Ek Tanım Değerleme)Belirsizlik altında tercih ayrıştırması (Olasılıksal Katkısal Faydalar)UTA*Çok Kriterli Fayda TeorisiTOPSIS-SortKarışık Verilerin DeğerlendirilmesiKombinatif Mesafe Tabanlı Değerlendirme

İlgili referans kavramlar

Decision Support SystemsDoğrusal Diskriminant AnaliziLojistik DiskriminasyonSınıflandırma ve Diskriminant AnaliziKaresel Diskriminant AnaliziDecision Making

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — UTADIS (UTilités Additives DIScriminantes (Additive Utility Sorting)). 2026-07-20 tarihinde şu adresten erişildi: https://scholargate.app/tr/decision-making/utadis · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Devaud, J. M., Groussaud, G., Jacquet-Lagrèze, E.
Subfamily
Sorting
Year
1980
Type
Additive-utility preference-disaggregation sorting via LP-learned class thresholds
Value Space
crisp
Uncertainty
Hiçbiri
Compensation
full
Rank Reversal
Hayır
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil