熵权法
一个根据信息熵给出权重的办法,跟前面的层次分析法和TOPSIS的主观得出权重相比,会显得比较客观。
基本步骤
- 先得出正向化矩阵 -> 正向矩阵标准化
- 计算第j项指标下第i个样本权重
- 计算熵权
数据标准化
分两种情况,数据中没有负数,采用
Z
i
j
=
x
i
j
∑
i
=
1
n
x
i
j
2
Z_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{n}x_{ij}^2}}
Zij=∑i=1nxij2xij
如果数据中有负数,则采用Min-Max归一化
Z
~
=
x
−
m
i
n
{
x
1
j
,
x
2
j
,
.
.
.
,
x
n
j
}
m
a
x
{
x
1
j
,
x
2
j
,
.
.
.
,
x
n
j
}
−
m
i
n
{
x
1
j
,
x
2
j
,
.
.
.
,
x
n
j
}
\tilde Z = \frac{x-min\{{x_{1j},x_{2j},...,x_{nj}}\}}{max\{{x_{1j},x_{2j},...,x_{nj}}\} - min\{{x_{1j},x_{2j},...,x_{nj}}\}}
Z~=max{x1j,x2j,...,xnj}−min{x1j,x2j,...,xnj}x−min{x1j,x2j,...,xnj}
也就对于每列减去当前列的最小值,除以该列的变动范围。
计算第j项指标下第i个样本权重
每个元素除以该列的和,计算样本所占的比重。
p
i
j
=
z
~
i
j
∑
i
=
1
n
z
~
i
j
p_{ij} = \frac{\tilde z_{ij}}{\sum_{i=1}^{n}\tilde z_{ij}}
pij=∑i=1nz~ijz~ij
计算熵权
举例:
模糊综合评价
课程中讲了很多概念,但是对于应用来说,感觉不太需要注意那么多,这里挑一些重点写出来。
概念
- 论域:所讨论的属性的各个取值,比如每个人的身高
- 模糊集合:可以理解为样本属于这个集合的概率(隶属度)。
- 隶属函数:将数据转换成隶属度的函数。
这里举个例子:
假设论域为
X
=
{
140
,
150
,
160
,
190
}
X = \{140,150,160,190\}
X={140,150,160,190}表示每个人的身高。
隶属函数为
μ
A
(
x
)
=
x
−
140
190
−
140
\mu_A(x) = \frac{x-140}{190-140}
μA(x)=190−140x−140
模糊集合为:
(
0
,
0.2
,
0.4
,
1
)
(0,0.2,0.4,1)
(0,0.2,0.4,1)
模糊集合的分类
分为三类:偏小型、中间型、偏大型。也就是偏向哪,隶属度越高。比如:偏小型就是数据越小,隶属度越高。
对于年龄来说,年轻属于偏小型,中年属于中间型,年老属于偏大型。
隶属函数的确定方法
- 模糊统计法:找一堆人投票,计算出属于的比例。比如:30个人投票,3个人认为这个人是年轻的,那这个人年轻的隶属度就是0.1
- 借助已有的客观尺度:借用一些已经有的指标来确定。比如:“1 - 恩格尔系数“作为小康家庭的隶属度
- 指派法(最常用):根据主观意愿,直接给一个隶属函数。
指派法的一些函数:
评价类问题概述
需要确定三个集合:
- 因素集:评价的指标,比如:政治表现、工作态度
- 评语集:评价的结果,比如:优、良、中、差、选择哪个方案
- 权重集:每个指标的权重
举例
- 模糊统计法
根据一些评分规则,比如同事领导打分等得出相应数据。
进行矩阵乘法。
- 指派法
需要选择一个最优方案。
对于这种,就没有办法通过打分来解决了,可以直接指派隶属函数进行计算。
可采矿量,应该越多越好,属于偏大型,可以指派 μ A ( x ) = x 8800 \mu_A(x)=\frac{x}{8800} μA(x)=8800x。
基建投资,应该越少越好,属于偏小型,假设投资最大为8000万元。,可以指派 μ B ( x ) = 1 − x 8000 \mu_B(x)=1-\frac{x}{8000} μB(x)=1−8000x。
其他类推,然后通过函数,计算出隶属度。
假设权重 A = ( 0.25 , 0.20 , 0.20 , 0.10 , 0.25 ) A=(0.25,0.20,0.20,0.10,0.25) A=(0.25,0.20,0.20,0.10,0.25),矩阵相乘得到:
- 多层模糊评价
对每一层之下计算出隶属度后,作为当前的隶属度,以销售能力为例。
将计算出的
B
23
B_{23}
B23作为运行费用的隶属度,计算出销售能力的隶属度。
最后,再根据
u
1
,
u
2
,
u
3
u_1,u_2,u_3
u1,u2,u3计算出产品属于好的隶属度。