Feature weighting algorithm for decision support system of innovation policies

Abstract

Bu tezin temel amacı inovasyon yönetimi için Karar Destek Sistemi çerçevesi geliştirmektir. İnovasyon belirleyicileri inovasyon performansını belirleyen özniteliklerdir. Bu nedenle, öznitelik altkümesi seçimi önemli bir konu olmaktadır. Karar Destek Sistemi'nin çekirdeğini oluşturmak için Benzetimsel Tavlama ve Genetik Algoritması olmak üzere iki algoritma önerilmiştir.Temel amaçlar ilgili özniteliklerin belirlenmesini sağlamak ve tahmin doğruluğunu arttırmaktır. Önerilen algoritmalarımız İris ve Concrete Compressive Strength referans dataları üzerinde kontrol edilmiştir. Bundan sonra, önerilen algoritmalar inovasyon datasına uygulanmıştır. Önerilen algoritmaların karşılaştırılması ve yorumlanması için elde edilen öznitelik ağırlıkları ve tahmin doğruluk seviyeleri sunulmuştur.

The main aim of this thesis is to develop a Decision Support System (DSS) framework for innovation management. Determinants of innovation are the features that determine the innovation performance. For this reason, feature subset selection problem becomes an important issue. In order to construct the core of the DSS, we proposed two algorithms, which are Simulated Annealing and Genetic Algorithm.Determination of relevant features and prediction accuracy are the main objectives. Our proposed algorithms have been checked on two different data sets, Iris and Concrete Compressive Strength. After validation, algorithms have been implemented on innovation performance data. Feature weights that are obtained and prediction accuracies are presented for comparing and interpreting our algorithms.