topsis法
数据标准化的方法
min-max标准化(离差标准化):
对于效益型属性: x ∗ = x − m i n m a x − m i n x^* = \frac{x-min}{max-min} x∗=max−minx−min
对于成本型属性: x ∗ = m a x − x m a x − m i n x^* = \frac{max-x}{max-min} x∗=max−minmax−x
对于区间型属性,给定最优区间为
[
x
0
,
x
1
]
[x_0,x_1]
[x0,x1],
x
′
x^{'}
x′为无法容忍下界,
x
′
′
x^{''}
x′′为无法容忍上界,则:
x
∗
=
{
1
−
x
0
−
x
x
0
−
x
′
,
x
′
≤
x
<
x
0
1
,
x
0
≤
x
≤
x
1
1
−
x
−
x
1
x
′
′
−
x
1
,
x
1
<
x
≤
x
′
′
0
,
e
l
s
e
x^* = \begin{cases} 1-\frac{x_0-x}{x_0-x^{'}}, && x^{'}\leq x<x_0\\ 1, && x_0\leq x\leq x_1\\ 1-\frac{x-x_1}{x^{''}-x_1}, && x_1<x\leq x^{''}\\ 0, && else \end{cases}
x∗=⎩
⎨
⎧1−x0−x′x0−x,1,1−x′′−x1x−x1,0,x′≤x<x0x0≤x≤x1x1<x≤x′′else
这种标准化有非常好的实际意义,但是碰到新的数据如果超出原本的max和min,则需要全部重新计算
z-score标准化(标准差标准化):
x ∗ = x − x ˉ σ x^* = \frac{x-\bar{x}}{\sigma} x∗=σx−xˉ
z-score标准化方法没什么具体意义,就是为了去量纲比较,但它有超出取值范围的离群数据的情况
向量标准化:
在比较中不同方案的同意属性值记为
(
x
1
,
x
2
,
.
.
.
,
x
n
)
(x_1,x_2,...,x_n)
(x1,x2,...,xn),那么向量标准化就是:
x
i
′
=
x
i
∑
i
=
1
n
x
i
2
,
i
=
1
,
2
,
.
.
.
n
.
x_i^{'} = \frac{x_i}{\sqrt{\sum_{i=1}^{n}x_i^2}},i=1,2,...n.
xi′=∑i=1nxi2xi,i=1,2,...n.
也就是变成了
(
x
1
′
,
x
2
′
,
.
.
.
x
n
′
)
(x_1^{'},x_2^{'},...x_n^{'})
(x1′,x2′,...xn′).
同样的,向量标准化也没有什么意义,只是为了去量纲比较。
评价决策方法汇总
topsis法
处理打分排名问题。通过相对贴进度进行计算,经典方法
数据包络分析
在效率方面的量化,处理是否有效问题
灰色关联分析
处理打分排名问题。也是计算相对贴近度,国人提出,根据比赛斟酌使用
秩和比综合评价法
处理打分排名问题。国人提出,根据比赛斟酌使用
熵权法
处理打分排名问题。权重是完全客观确定的。可用于客观确定权重。
层次分析法
处理打分排名问题。权重是主观方式确定的。