讨论和分析

从表6－4至表6－7中,容易得到不同的多目标决策方法生成了不同的甚至矛盾的排序。据此,决策者很难选择最佳的决策方案。在表6－9中,通过提出的共识支持模型,一个聚类方法的优先级列表被给出,得到聚类方法:Expectation Maximization,Farthest－First Algorithm,Filtered Clustererer,Hierarchical Clustering,Make Density Based Clusterer和K－Means Clustering的排序为6,4,2,5,3,1。也就是说,对于书中给定的评估数据集,最佳的聚类方法是K－Means聚类。另外,对20个数据集的排序结果进一步进行统计分析,结果如表6－10所示,用来作为对比分析。

表6－10　对20个数据集的排序结果进行统计分析

表6－10中每个位置的排序均被计数。从表中我们能够发现第一顺位的聚类方法排序:EM,FF,FC,HC,MD和KM分别为1,3,9,8,3,12;通过共识支持模型CDMECA模型计算得出的聚类方法的排序为6,4,2,5,3,1。实际决策时,最低端的位置排序往往被忽略了。在决策过程时,整体的决策观点应该最大限度地综合考虑,尤其是最低端的位置,最容易忽视的部分需要着重对待。在本研究中,高位置集合和低位置集合中的方案均被考虑,在充分考虑低位置集合中的方案排序后,聚类方法排序的统计分析结果则为6,4,2,5,3,1。结果与共识支持模型得出的结论一致。因此,从实证分析的角度,通过6个聚类方法、9个外部度量指标、4个多目标决策方法和20个UCI数据集综合实证分析,验证了提出的共识支持模型的有效性。