In this study, we consider learning preference structure of a Decision Maker (DM). Many preference modeling problems in a variety of fields such as marketing, quality control and economics, involve possibly interacting criteria, and an ordinal scale is used to express preference of objects. In these cases, typically underlying preference structure of the DM and distribution of criteria values are not known, and only a few data can be collected about the preferences of the DM. For developing a preference model under such circumstances, we propose using nonparametric Statistical Learning approaches interactively. In particular, we employ Active Learning by asking a preference question to the DM at each step and try to reach a close approximation to the correct model in a small number of steps. Our experimental analysis proves that the proposed approach outperforms a `naive` approach where subsequent questions are asked randomly. In the study, we also provide algorithmic recommendations for modeling different underlying value functions, if information is available about the form of the preference structure and/or distribution of criteria values.This study can be regarded as a pioneering approach considering that Statistical Learning based approaches in the literature have been developed and tested based on a relatively large preference information and they do not interact with the DM in model developing process while Multi Criteria Decision Aid based approaches typically ignore interactions among the criteria, suffer from generalization ability, and have no concern about predicting equally good everywhere in the criteria domain.

Bu çalışmada, Karar Verici (KV) tercih yapısının öğrenilmesi konusunu ele alıyoruz. Pazarlama, kalite kontrolü ve ekonomi gibi birçok farklı alandaki tercih modelleme problemleri, tercihlerin sıralı ölçekte ifade edildiği ve kriterlerin etkileşim içinde olduğu durumları içerirler. Bu gibi durumlarda genellikle KV tercih yapısı ile kriter değerlerinin dağılımı bilinmez ve KV tercihlerine yönelik az miktarda veri edinilebilir.Bu tür problemlerde bir tercih modelinin geliştirilmesine yönelik olarak parametrik olmayan İstatistiksel Öğrenme tekniklerinin etkileşimli olarak kullanılmasını öneriyoruz. Özellikle, her adımda KV'ye bir tercih sorusu sormak ve az sayıda adımda en doğru modele ulaşabilmek için Aktif Öğrenme tekniklerini kullanıyoruz. Deneysel analizlerimiz, önerilen yaklaşımın müteakip soruları rassal olarak soran `sade` yaklaşıma göre daha başarılı olduğunu göstermektedir. Çalışmamızda ayrıca, elimizde tercih yapısının formuna ve/veya kriter değerlerinin dağılımına ilişkin bilgi olması durumları için farklı tercih fonksiyonlarının modellenmesine yönelik olarak algoritmik tavsiyeler de sunuyoruz.Çalışmamız; literatürde önerilen İstatistiksel Öğrenme tabanlı yaklaşımların büyük miktarda tercih verisi kullanılarak geliştirilmesi ve test edilmesi, model geliştime sürecinde KV ile etkileşime geçmemeleri; Çok Kriterli Karar Desteği yaklaşımlarının ise genellikle kriterler arası etkileşimi ihmal etmeleri, genelleme yeteneklerinin zayıf olması ve kriter bölgesinin her yerinde aynı tahmin başarısını elde etmeyi dikkate almamaları nedeniyle bu alanda öncü bir çalışma olarak değerlendirilebilir.