1、本論文在深入探討了薪酬數(shù)據(jù)的特點(diǎn)以及人們對(duì)崗職分級(jí)的研究結(jié)果后,嘗試通過(guò)機(jī)器學(xué)習(xí)的方法降低分級(jí)過(guò)程中出現(xiàn)的過(guò)多人為干擾因素,以更加科學(xué)有效的方法實(shí)現(xiàn)崗職分級(jí)的公平性和有效性(合理性)。 目前,基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法,其理論基礎(chǔ)之一是統(tǒng)計(jì)學(xué)。傳統(tǒng)統(tǒng)計(jì)學(xué)研究的是樣本數(shù)目趨于無(wú)窮大時(shí)的漸近理論,但在實(shí)際中樣本數(shù)往往是有限的。支持向量機(jī)SVM(Support Vector Machine)結(jié)構(gòu)簡(jiǎn)單,具有全局最優(yōu)性和較好的泛化能力,但處理

2、如大數(shù)據(jù)量的模式分類,當(dāng)樣本數(shù)據(jù)的特征屬性過(guò)多以及樣本數(shù)據(jù)沖突時(shí),會(huì)增加計(jì)算量,降低SVM的訓(xùn)練速度及分類精度。而粗糙集RS(RoughSets)理論在知識(shí)約簡(jiǎn),處理不準(zhǔn)確、不完整知識(shí)等方面則具有巨大的優(yōu)勢(shì)和潛力。為此,針對(duì)目前市場(chǎng)上薪酬數(shù)據(jù)的自身特點(diǎn)和崗職分級(jí)的基本需求,本文提出了基于粗糙集理論的SVM多分類器,即利用RS理論減少SVM數(shù)據(jù)維數(shù)和訓(xùn)練樣本數(shù)據(jù)的數(shù)目,摒除干擾因素,彌補(bǔ)SVM在處理具有多特征屬性問(wèn)題中的不足。 我