基于随机森林赋权和改进ELECTRE―Ⅲ方法的科技奖励评价研究摘要：针对科技奖励评价中各指标权重的不确定性问题，提出随机森林赋权法，利用可靠性分析计算专家评分数据的泛化误差，根据最小错误率得到各评价项目的各评价指标权重，减少主观赋权的影响；引入一致可信度、非一致可信度和净可信度信息，提出改进的ELECTREⅢ方法，将某一评价项目优于其他评价项目的程度具体量化，解决专家评分数据为次序变量的问题.实证表明：随机森林赋权法和改进后的ELECTREⅢ方法相结合，既提高了权重估计的精确度和可信度，又解决了难以给定门槛值和不能完全排序的问题，使评价结果更加科学、客观、合理.关键词：可靠性分析；随机森林赋权；改进的ELECTREⅢ；科技奖励评价：G311文献标识码：A科技奖励是科技创新的重要推动力.迄今为止，大量学者就科技奖励评价技术进行研究，提出了许多有效的评价方法，然而大多数方法受主观影响大，评价结果不够科学合理.为此，进一步创新科技奖励评价方法具有十分重要的理论意义和现实意义.自20世纪80年代中期以来，中国的科技奖励评价方法得到不断的发展和完善，许多专家学者做了大量研究.王瑛、田煜明＼[1＼]等引入改进的未知测度模型计算指标权重，并利用综合得分公式进行综合评价，有效地解决了评审过程中出现的信息失真问题.金聪、彭嘉雄＼[2＼]等运用模糊神经网络的方法构建了科技奖励的智能评审模型，既考虑了专家建议，又有效地减少了由专家决策所带来的主观人为因素的影响.王瑛、曹玮＼[3＼]等人引入“邻差矩阵”，并结合CRITIC法和因子分析方法，建立了考虑专家信度的立体式科技成果综合评价模型.张立军＼[4-5＼]等分别就科技奖励指标权重和专家权重问题进行了研究，提出了减少人为操纵因素影响的权重确定方法.王瑛＼[6＼]等采用改进的CRITIC法提高样本数据的代表性，并利用逆向云模型降低了专家评分的主观因素影响.科技奖励评价是一个多项目、多专家、多指标的多属性群决策问题.目前科技奖励评价指标权重多以主观赋权法为主，受专家主观因素影响较大；且专家评分数据通常为次序变量，使得被评项目难以得到客观的评价结果.本文根据科技奖励评价的特点引入随机森林赋权法，对评价指标进行客观赋权；并提出改进的ELECTREⅢ方法，处理次序变量的排序问题，使评价结果更加客观、科学.1模型的基本原理1.1随机森林赋权法的基本原理随机森林赋权法（RF）＼[7＼]是一种由多个分类树组成分类器的方法，主要采用Bagging算法，从原始的N个样本中有放回随机抽取约1/3的数据组成一个新的训练集，剩余的数据成为袋外数据（outofbag，简称OOB数据），这部分数据主要用于OOB估计计算泛化误差和各输入特征向量的权重.利用RF的Bagging算法中OOB数据进行特征向量的权重估计，即随机改变OOB数据中某个特征向量X的值（称之为特征向量X的噪声干扰），得到一个OOB数据的准确率；然后将原始OOB数据的准确率与加入噪声之后的OOB数据的准确率相减，得到的结果作为特征向量X在该组分类树上的重要性度量值.照此方法计算出所有分类树中特征向量X的重要性度量值，然后取平均数并归一化，即得到该特征向量X的权重.假设一个由一系列树h1（X），h2（X），…，hk（X）和两个随机向量X（输入向量）、Y（输出向量）组成的随机森林.I=（h（X）=Y）表示对特征向量X正确分类的Y的得票数，特征向量的权重估计步骤如下.步骤1特征向量权重估计的可靠性分析.1）随机森林分类树收敛性估计：定义mg（X，Y）为样本点（x，y）的边缘函数.mg（X，Y）=avkI（hk（X）=Y）-maxj≠YavkI（hk（X）=j）.（1）式中：Y表示正确的分类向量；I（?）表示指示器函数；avk（）表示对函数值取平均值.该边缘函数表示的是对于向量X正确分类的Y的平均票数超过其他同类型票数的程度.因此，边缘函数越大，正确分类的置信度就越高，算法中分类器的效果越出色.2）特征向量权重估计的错误率：设PE*为随机森林算法中分类器的泛化误差，它反映的是分类器的分类效果.则PE=PX，Y（mg（X，Y）<0）.（2）其用来衡量OOB权重估计的错误率.对于随机森林模型hk（X）=h（X，Θ），若森林中树的数目足够多，上式会满足大数定律：limk→Symbo...