Processo decisionale: quale formula si avvicina di più all'ideale?Ho selezionato diverse formule, tutte incluse nelle specifiche. Ora la sfida è classificarle e individuare la migliore.
Ogni formula ha circa una dozzina di proprietà. Finora ho provato la classificazione TOPSIS (basata sulla distanza euclidea). Funziona in qualche modo, ma credo che possa esserci un approccio migliore per la gestione delle decisioni tramite dati.
Esistono altri metodi che consiglieresti per la classificazione basata su più caratteristiche?
Sarei felice di imparare dalla tua esperienza!
Oggetto: Processo decisionale: quale formula si avvicina di più all'ideale?Ciao @RikkiTikkiTavi ,
Classificare in base alle distanze euclidee è una buona idea. Tuttavia, quando si hanno risposte/proprietà concorrenti, potrebbero esserci dei compromessi da considerare, e le distanze euclidee potrebbero "ridursi" e nascondere questi compromessi.
Per questo motivo, tendo a preferire l'utilizzo del fronte di Pareto per individuare soluzioni/formulazioni ottimali basate su una diversa enfasi tra risposte/proprietà. Non esiste una piattaforma JMP dedicata, ma potrebbero esserci diverse opzioni per farlo:
- È possibile creare un ampio set di dati candidati grazie ai modelli adattati alle risposte utilizzando il Simulatore ( Esperimento di simulazione ) oppure creando un ampio disegno di riempimento dello spazio e aggiungendo la formula delle risposte alla tabella. Successivamente, è possibile selezionare le righe nelle tabelle dati e scegliere l'opzione Seleziona dominante. L'insieme di righe risultante è chiamato frontiera di Pareto.
- È possibile verificare se alcune risposte/proprietà non sono correlate tra loro, al fine di ridurre la dimensionalità dello spazio di output. Successivamente, utilizzando l'analisi delle componenti principali o tecniche di riduzione della dimensionalità non lineari come l'embedding multivariato (UMAP), è possibile ridurre lo spazio multivariato in uno spazio bidimensionale o tridimensionale. Rappresentare graficamente la formula in questo spazio di risposte ridotto aiuta a visualizzare i candidati migliori e i relativi compromessi.
- È possibile utilizzare anche le opzioni precedenti, ma invece di usare direttamente le risposte, si possono usare le distanze euclidee normalizzate per evitare che una risposta influenzi eccessivamente le altre e verificare le correlazioni tra le distanze delle risposte rispetto all'ottimo. Riducendo la dimensionalità, la visualizzazione risulta ulteriormente facilitata.
Victor_G_0-1789564616228.pngVictor_G_0-1789564616228.png Victor_G_0-1789564616228.png
Spero che questo altro approccio e questi piccoli trucchi possano esserti d'aiuto.
Oggetto: Processo decisionale: quale formula si avvicina di più all'ideale?Grazie @Victor_G ! Probabilmente dovrei chiarire meglio il mio problema perché la mia prima descrizione era troppo generica.
Ho selezionato 11 formulazioni, ognuna con 16 proprietà misurate; questo è il set di dati originale. Importante: tutte le 11 formulazioni rientrano già nei rispettivi intervalli di specifica. L'obiettivo è classificare le formulazioni in base a quanto il loro profilo di proprietà complessivo si avvicina a un profilo ideale. Anche il profilo ideale deve essere definito. Non vedo come il principio di Pareto possa essere applicato in questo caso.
Per ciascuna proprietà, ho quindi ricavato un valore ideale ottimale e un valore ideale peggiore dai limiti di specifica. Per una proprietà in cui si preferisce un valore più alto, il riferimento superiore è il migliore e il riferimento inferiore è il peggiore; per una proprietà in cui si preferisce un valore inferiore, la situazione è invertita.
Trasformo quindi ogni proprietà sulla stessa scala: z = (x - Peggiore) / (Migliore - Peggiore), z [0, 1] .0 indica la prestazione al peggior riferimento e 1 indica la prestazione al miglior riferimento.
Dopo questo criterio di normalizzazione vengono applicati dei pesi (definiti dall'utente) e calcolo le distanze euclidee ponderate dal profilo ideale migliore (tutti z = 1) e dal profilo ideale peggiore (tutti z = 0). Il punteggio finale è: Diw / (Dib + Diw).
Il tuo commento sulla distanza euclidea che nasconde i compromessi mi fa pensare che forse l'aggiunta di un'analisi di sensibilità per i pesi dei criteri potrebbe aiutare a rivelare importanti compromessi. Ad esempio, potrei variare i pesi tra (definito dall'utente - 20%) e (definito dall'utente + 20%). Quindi verificare quanto cambia la classifica. Grandi variazioni di classifica potrebbero indicare proprietà che necessitano di particolare attenzione.
Apprezzo moltissimo anche i tuoi suggerimenti sulla riduzione della dimensionalità dello spazio di output; gli strumenti che hai elencato sono davvero utili 
Oggetto: Processo decisionale: quale formula si avvicina di più all'ideale?Un'altra opzione per confrontare l'ottimalità "complessiva" delle 11 formule sulle 16 proprietà misurate potrebbe essere quella di rappresentare graficamente le diverse formule su un diagramma a ragnatela (o qualcosa di simile), con ciascuna proprietà su un asse (utilizzando la scala normalizzata da 0 a 1), e quindi calcolare l'area di ciascuna formula per vedere se l'ottimalità complessiva è comparabile o se ci sono differenze tra di esse.
L'utilizzo dei pesi è simile alla definizione di diverse priorità nei profili di desiderabilità: può essere davvero utile se l'utente ha un'idea precisa di quale attributo sia importante e in che misura rispetto agli altri, ma in caso contrario, può risultare difficile valutare quali pesi sia opportuno assegnare alle diverse proprietà. Consiglio vivamente la lettura di " L'attrattiva e i limiti delle funzioni di desiderabilità " ( https://doi.org/10.1080/08982112.2026.2671710 ) di Christine Anderson Cook, in quanto descrive molto bene i pro e i contro di tale situazione. Potete leggerlo qui: 264 - QE 2026 CACLL DFs.pdf - Google Drive
Spero che questa risposta ti sia d'aiuto.
