对学习的八大评价类算法(不包含数据包络分析)的步骤进行了一个归纳,学习链接:Datawhale 数学建模教程Descriptionhttps://datawhalechina.github.io/intro-mathmodel/#/或者:GitHub - datawhalechina/intro-mathmodel: 《数学建模导论》教程,全网最全数学建模模型与算法教程系列,带你走进数学建模的大门!《数学建模导论》教程,全网最全数学建模模型与算法教程系列,带你走进数学建模的大门!. Contribute to datawhalechina/intro-mathmodel development by creating an account on GitHub.
https://github.com/datawhalechina/intro-mathmodel根据学习的内容,顺便制作了一幅思维导图,思维导图如下:
一、层次分析法
1.选择指标,构建层次模型。
2.对目标层到准则层之间和准则层到方案层之间构建比较矩阵。
3.对每个比较矩阵计算CR值检验是否通过CR检验,如果没有通过检验需要调整比较矩阵。
4.求出每个矩阵最大的特征值对应的归一化权重向量。
5.根据不同矩阵的归一化权向量计算出不同方案的得分进行比较。
二、熵权法
1.数据归一化
2.求解信息熵
3.得到权值
三、TOPSIS分析法
1.对原始数据进行指标正向化和归一化操作得到矩阵Z
2.确定正理想解Z+和负理想解Z
3.计算各评价对象到正理想解和负理想解的欧几里得距离D
4计算各评价对象的相似度W
5.根据W大小排模糊评价法
四、模糊评价法
1.评价指标(因素集)
2.程度衡量
3.隶属度
五、CRITIC方法
1.对指标进行无量纲化和正向化处理。
2.计算指标变异性。
3.计算指标冲突性
4.获取信息量归一化得到指标权重,再用权重去乘归一化的数据矩阵可以得到每个对象的评分,并根据评分进行对象的评价、排序。
六、主成分分析法
1.数据的去中心化
2.求协方差矩阵
3.对协方差矩阵进行特征值分解。
4.特征值排序
5.进行线性变换F=PX,从而得到主成分分析后的矩阵。
七、秩和比分析法
1.对效益型指标进行从小到大的排序,并计算每个指标的秩次。
2.对成本型指标进行从大到小的排序,并计算每个指标的秩次。
3.计算每个指标的秩和比(RSR),作为无量纲的统计量。
4.基于秩和比进行统计分析,研究其分布情况。
5.根据RSR值对评价对象进行直接排序或分档排序,以评估其综合表现。
八、因子分析
1.选择变量
2.计算相关系数矩阵
3.提取公共因子
4.因子旋转
5.计算因子得分序可得到结果。