机器学习在党政干部日常考核模型权重赋值中的运用.pdfVIP

党 政 研 究 2015.3 机器学习在党政干部日常考核模型 权重赋值中的运用 秦 博 徐浩铭 ﹝摘要﹞ 机器学习方法在领导干部日常考核指标体系设置中被广泛运用。 层次结构模型 (AHPFAHP) 的基本思路是将复杂问题分解为若干层次和若干要素, 通过简单比较、 判断和 计算, 获得不同要素的权重, 最后通过加权求和做出最优选择。 而SVM作为一种新兴的机器 学习方法, 也逐渐被引入到领导干部日常考核的指标设计之中。 SVM 的原则是结构风险最小 化, 在样本分类误差尽可能小的前提下, 充分提高分类器的泛化推广能力, 这有助于解决小样 本、 非线性以及高维模式识别问题; 文章总结和比较了AHP、 FAHP、 SVM三种模型的理论基 础和基本方法, 试图为领导干部日常考核提供理论依据。 ﹝关键词﹞ 机器学习; 干部考核; 权重赋值; 层次结构模型; 支持向量机模型 ﹝中图分类号﹞ D630. 3 ﹝文献标识码﹞ A ﹝文章编号﹞ 2095-8048- (2015) 03-0028-04 赋予不同因素以不同的权重, 进而调整不同频度 一、 引言 的排序算法。 此类方法的缺陷首先在于不能容纳 理解机器学习的关键概念是学习, 然而对于 较多的排序因素, 否则会致使调整权值变得非常 学习这个概念迄今却无精准定义。 不同的学科对 复杂。 其次此类方法无法有效应对新的排序因素, 机器学习的研究侧重不同, 其机理和实现很难把 因为通常都缺少对这一数据的直观经验, 单凭经 握, 因为学习是一种综合性、 多侧面的心理活动。 验不能妥当权衡这些因素的权重。 较之于以往的 机器学习是人工智能领域内的重要分支, 虽然已 方法, 基于机器学习的排序技术就可以弥补缺陷, 经被广泛应用于科学领域, 但是在社会科学领域 因为机器学习技术可以引入大量的排序因素, 能 的应用相对较少, 对于干部考核这一块少有文献。 够快速适应新的权重分配和排序策略, 而且无需 事实上, 机器学习方法能够应用于干部考核。 如 手动调整各因素的权值。 何科学地权重赋值是建立干部考核体系的技术重 党政领导干部考核评价工作的基础是设置科 点和难点。 过去的干部考核方法在为考核因素排 学合理的考核评价指标体系, 而指标体系的科学 序时, 往往基于常规的统计分析和定性的经验来 与否直接关系到考评的质量和结果。 根据 《党政 ﹝基金项目﹞ 国家自然科学基金项目 “基于微观分析和精细优化的预失真线性化方法” ﹝作者简介﹞ 秦博, 中共四川省委省直机关党校副教授, 复旦大学社会学系博士后, 四川 成都 610017; 徐浩铭, 中共成都市委党校讲师, 英国剑桥大学硕士, 四川 成都 610110。 ·28 · 领导干部选拔任用工作条例》、 《党政领导干部考 度的比较有代表性的、 较成功的方法, 在干部日 核工作暂行规定》 等相关规定, 当前对党政领导 常考核体系中广泛应用, 其基本思路是将复杂问 干部考核评价内容主要分为 “德、 能、 勤、 绩、 题分解为若干层次和若干要素, 通过简单比较、 廉” 五方面, 再结合各个部门职能要求以及现阶 判断和计算, 获得不同要素的权重, 然后通过加 段发展方向和中心等, 设立相应的二级指标乃至 权求和做出最优选择, 这样一来可以使得考评标 三、 四级指标。 准规范, 又能让计算方法公开合理, 还能使考核 体系简便实用。 而SVM是一种较新的机器学习方 法, 它的原则是结构风险最小化, 使样本分类误 差尽可能小的前