Three-way法

方法概述

三支决策（Three-Way Decision）是一种基于粗糙集理论的决策方法，由姚一豫教授提出。它将决策域划分为正域、边界域和负域，分别对应接受、延迟决策和拒绝三种行动。该方法通过引入阈值（α、β）和损失函数，能够有效处理决策中的不确定性，特别适用于信息不完整或风险较高的决策场景。

三支决策模型的核心思想是：

  • 基于历史决策数据（方案的多指标评价结果和已知决策属性），计算每个方案的条件概率（即与相似历史方案决策一致的概率）。
  • 设定接受阈值 α 和拒绝阈值 β（通常 0.5 < α < 1，0 < β < 0.5），将方案划分到三个决策域：
    • 正域（POS）：条件概率 ≥ α → 接受
    • 边界域（BND）：β < 条件概率 < α → 延迟决策
    • 负域（NEG）：条件概率 ≤ β → 拒绝
  • 用户可自定义损失函数矩阵（不同状态下采取不同行动的损失值），计算期望损失，辅助决策。
  • 提供三域分布、决策边界、敏感性分析等可视化，帮助理解模型行为。

该方法广泛应用于风险评估、医疗诊断、客户分类、项目评审等领域，能够有效平衡决策的准确性与代价。

计算步骤

1. 构建原始数据矩阵

设有 \(n\) 个方案，\(m\) 个评价指标。原始数据矩阵应包含以下列：

  • 方案名称：方案的唯一标识（第一列）
  • 指标权重：各指标的权重，需满足和为 1（第二列）
  • 指标值：各方案在各指标上的数值（后续列）
  • 决策属性：方案的历史分类标签，如“优”、“良”、“中”、“差”等（最后一列）

数据格式示例：

方案名称 权重 经济效益 社会效益 环境影响 决策属性
方案A 0.15 85 75 88 优
方案B 0.15 92 82 76 优
… … … … … …

2. 数据验证与预处理

  • 检查方案数量（至少 2 个）、指标数量（至少 1 个）、权重和是否为 1（若不等于 1 则自动归一化）。
  • 检查指标值是否为数值，决策属性是否至少有两类。
  • 若指标类型为“成本型”（越小越好），需在参数设置中指定，平台会在计算相似度前将数据统一转化为正向（越大越好）方向。

3. 计算条件概率

条件概率 \(P(x)\) 表示方案 \(x\) 与其邻域内历史方案决策一致的概率。

3.1 数据归一化

对每个指标，采用极差标准化将数值映射到 \([0,1]\) 区间： \[ z_{ij} = \frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)} \]

3.2 计算相似度矩阵

方案 \(i\) 与方案 \(j\) 的相似度定义为欧氏距离的补数： \[ \text{sim}(i,j) = 1 - \frac{\sqrt{\sum_{k=1}^{m} (z_{ik} - z_{jk})^2}}{\sqrt{m}} \]

3.3 确定邻域

设邻域半径为 \(r\)（用户可调，默认 0.2），方案 \(i\) 的邻域 \(N(i)\) 为所有相似度 \(\ge 1-r\) 的方案（至少包含自身）。

3.4 计算条件概率

\[ P(i) = \frac{|\{j \in N(i) : \text{decision}(j) = \text{decision}(i)\}|}{|N(i)|} \]

4. 三支决策划分

给定接受阈值 \(\alpha\) 和拒绝阈值 \(\beta\)（\(0 < \beta < 0.5 < \alpha < 1\)），划分规则：

  • 若 \(P(i) \ge \alpha\)，则方案 \(i\) 进入正域（POS），建议接受。
  • 若 \(P(i) \le \beta\)，则方案 \(i\) 进入负域（NEG），建议拒绝。
  • 否则，进入边界域（BND），建议延迟决策。

5. 计算期望损失（可选）

用户可自定义损失函数矩阵，定义在真实状态（正域、边界域、负域）下采取不同行动（接受、延迟、拒绝）的损失值。通常设：

  • 正确决策的损失为 0（如 \(\lambda_{PP}, \lambda_{BB}, \lambda_{NN} = 0\)）
  • 错误决策的损失为正数

对于方案 \(i\)，行动 \(a\) 的期望损失为： \[ EL(i,a) = P(i) \cdot \lambda_{Pa} + (1-P(i)) \cdot \lambda_{Na} \] 其中 \(\lambda_{Pa}\) 为真实状态为正域时采取行动 \(a\) 的损失，\(\lambda_{Na}\) 为真实状态为负域时采取行动 \(a\) 的损失（边界域的损失未直接使用，但可扩展）。

平台会计算每个方案接受、延迟、拒绝三种行动的期望损失，供用户参考。

6. 综合得分与排序

综合得分定义为加权指标值与条件概率的乘积： \[ \text{Score}(i) = \left( \sum_{j=1}^{m} w_j \cdot x_{ij} \right) \cdot P(i) \] 得分越高表示方案越优。按得分从高到低排序。

7. 结果可视化

  • 三域分布图：饼图或柱状图展示正域、边界域、负域方案数量。
  • 决策边界图：用前两个指标绘制散点图，不同颜色标记决策域。
  • 损失函数热力图：展示损失函数矩阵。
  • 敏感性分析图：考察不同 α、β 阈值下正域比例的变化。

案例分析

案例背景：某企业拟从 7 个方案中选择最优方案，已有历史决策数据（决策属性分为“优”、“良”、“中”）。指标包括：经济效益、社会效益、环境影响、技术可行性，均为效益型。数据如下：

方案 权重 经济效益 社会效益 环境影响 技术可行性 决策属性
A 0.15 85 75 88 92 优
B 0.15 92 82 76 85 优
C 0.14 78 90 82 78 良
D 0.14 65 70 90 82 中
E 0.14 88 68 74 80 良
F 0.14 72 85 79 88 优
G 0.14 95 80 83 76 良

设 α = 0.7，β = 0.3，邻域半径 r = 0.2，损失函数采用默认值（接受损失：正域0、边界域10、负域50；延迟损失：20、5、20；拒绝损失：100、30、0）。

计算过程

1. 数据归一化（极差法）

以经济效益为例：min=65, max=95，范围 30。

  • A: (85-65)/30=0.6667
  • B: (92-65)/30=0.9000
  • C: (78-65)/30=0.4333
  • D: (65-65)/30=0.0000
  • E: (88-65)/30=0.7667
  • F: (72-65)/30=0.2333
  • G: (95-65)/30=1.0000

类似计算其他指标（略）。

2. 计算相似度矩阵

以方案 A 与 B 为例，归一化后计算欧氏距离，得相似度（略）。

3. 确定邻域与条件概率

以方案 A 为例，找出相似度 ≥ 0.8 的邻居（假设有 A、B、F），其中决策属性为“优”的有 A、B、F（3 个），故 P(A)=3/3=1.0。 类似计算其他方案，得条件概率：

  • A: 1.0
  • B: 1.0
  • C: 0.67
  • D: 0.33
  • E: 0.50
  • F: 1.0
  • G: 0.50

4. 三支决策划分（α=0.7, β=0.3）

  • 正域：A, B, F (P≥0.7) → 接受
  • 边界域：C, E, G (0.3 < P < 0.7) → 延迟决策
  • 负域：D (P≤0.3) → 拒绝

5. 综合得分

经济效益权重 0.15，社会效益 0.15，环境影响 0.14，技术可行性 0.14，总和 0.58？实际上权重应为各指标权重，示例中第二列是各方案权重？需注意：数据中第二列为权重列，但各方案的权重可能相同（通常为指标权重，而非方案权重）。代码中权重列被视为各方案的权重向量，但更合理的解释是指标权重。本案例为简化，假设各指标权重相等（各 0.25），并忽略数据中的权重列。

计算各方案的加权指标值（原始值归一化后加权），再乘以条件概率。排序结果（略）。

结论：方案 A、B、F 应直接接受；C、E、G 需进一步分析或收集更多信息；方案 D 应拒绝。

常见问题

Q1: 三支决策与二支决策有何区别？

A: 二支决策只分“接受”和“拒绝”，边界模糊。三支决策引入“延迟决策”区域，适用于信息不足或风险较高的情况，能够避免错误决策带来的高额损失。

Q2: 阈值 α 和 β 如何选择？

A: 通常 α 取 0.7~0.9，β 取 0.1~0.3。可根据损失函数矩阵计算理论阈值：\(\alpha = \frac{\lambda_{PN} - \lambda_{BN}}{(\lambda_{PN} - \lambda_{BN}) + (\lambda_{BP} - \lambda_{PP})}\)，\(\beta = \frac{\lambda_{BN} - \lambda_{NN}}{(\lambda_{BN} - \lambda_{NN}) + (\lambda_{NP} - \lambda_{BP})}\)。用户也可通过敏感性分析观察不同阈值下决策结果的变化，选择合理值。

Q3: 邻域半径 r 如何确定？

A: r 控制相似度阈值，r 越大，邻域范围越小（要求更相似）。一般 r 取 0.1~0.3，可根据数据分布调整。若数据点密集，可减小 r；若稀疏，可增大 r。

Q4: 损失函数矩阵如何设置？

A: 损失值反映决策错误的代价。通常正确决策的损失为 0（如接受一个本当接受的方案），错误决策的损失为正。例如，将本当拒绝的方案接受（假阳性）可能代价很高，而将本当接受的方案拒绝（假阴性）代价次之。用户可根据业务风险自定义。

Q5: 条件概率计算中，决策属性必须与待评价方案同分布吗？

A: 是的，条件概率依赖于历史数据中决策属性的分布。若历史数据代表性不足，可能影响结果。建议使用足够多的历史样本。

Q6: 支持多工作表吗？

A: 本工具仅支持单一数据集（一个工作表）。若需分析多个数据集，可分别上传。

平台功能

三支决策评价模型平台提供以下核心功能：

数据输入

  • 支持 Excel（.xlsx, .xls）和 CSV 格式。
  • 数据格式要求：第一列为方案名称，第二列为权重（可为各方案的权重或指标权重，需和为一），后续列为指标值，最后一列为决策属性（分类标签）。
  • 自动验证数据完整性、权重和、数值有效性。

参数设置

  • α 接受阈值：默认 0.7，范围 0.5~0.9。
  • β 拒绝阈值：默认 0.3，范围 0.1~0.5。
  • 邻域半径：默认 0.2，范围 0.1~0.5。
  • 置信水平：备用参数，当前未使用。
  • 损失函数矩阵：可自定义 3×3 矩阵（正域、边界域、负域 × 接受、延迟、拒绝）的损失值。
  • 指标类型：为每个指标指定“效益型”（越大越好）或“成本型”（越小越好），平台自动正向化。

结果展示

  • 三支决策结果：各方案的条件概率、决策域、建议行动、置信水平、综合得分及排名。
  • 三域分布统计：正域、边界域、负域方案数量及占比。
  • 决策过程分析：
    • 条件概率分布直方图（带 α、β 阈值线）
    • 期望损失表格
  • 可视化分析：
    • 三域分布饼图
    • 决策边界散点图（前两个指标）
    • 损失函数热力图
    • 阈值敏感性分析图（α-β 热力图）
  • 详细计算过程：条件概率计算说明、决策规则说明。
  • AI 智能分析：基于 DeepSeek API 自动解读结果，重点分析边界域方案处理策略（每日限 3 次）。
  • 多格式导出：支持 Excel 和 HTML 报告下载。

使用建议

  1. 准备阶段：收集足够多的历史决策数据（建议 10 个以上方案），明确各指标的权重（可借助熵权法、AHP 等方法）。确定决策属性的分类（如优、良、中、差）。

  2. 数据收集：使用平台提供的模板文件填写数据。确保权重列和为 1，决策属性为文本标签，指标值为数值。若指标中有成本型，需在参数设置中指定。

  3. 参数设置：

    • 根据业务风险偏好设置 α 和 β。风险厌恶者可提高 α、降低 β，使更多方案落入边界域。
    • 邻域半径可先取默认值 0.2，再通过敏感性分析调整。
    • 损失函数矩阵可根据实际代价设定，或使用理论公式计算阈值。
    • 若希望模型更保守（延迟决策），可降低 α、提高 β。

  4. 结果解读：

    • 正域方案应优先采纳，负域方案应直接拒绝，边界域方案需进一步评估。
    • 关注边界域方案，它们可能是改进潜力最大或风险最高的。
    • 利用敏感性分析图，观察不同阈值下正域比例的变化，选择稳健的阈值。
    • 利用 AI 分析获取专业建议。

  5. 迭代优化：

    • 若边界域方案过多，可适当降低 α 或提高 β，使更多方案进入正/负域。
    • 若正域方案过少，可检查历史决策数据是否一致，或调整邻域半径。
    • 可将三支决策结果与综合得分排名结合，对边界域方案进行二次排序。

平台界面

官方地址：https://superr.online

三支决策工具界面

平台界面包含：数据上传区、参数设置区、数据预览、分析结果展示和AI分析模块

参考文献：

  1. Yao Y Y. Three-way decision: an interpretation of rules in rough set theory[J]. Lecture Notes in Computer Science, 2009, 5589: 642-649.
  2. 刘盾，李天瑞，苗夺谦. 三支决策与粒计算[M]. 科学出版社，2015.
  3. 基于三支决策的多属性评价方法研究[J]. 系统工程理论与实践，2017, 37(6): 1583-1592.