层次分析，critic以及topsis

本节介绍基本的评价类算法，以及给出相应的代码模板。

AHP（层次分析法）

主观评价法，结合定性和定量来分析，对难以完全定量的复杂系统做出决策。
算法步骤：（1）建立层次结构模型。（2）构造判断矩阵。（3）填写判断矩阵并进行一致性检验。（4）填充权重矩阵得出结果。
（1）构建层次结构
  首先，需要有层次，上图是一个三层的结构。是一个基本的结构，可以加深层次，具体实例如下：

（2）构造判断矩阵。就根本目的来说，要得到评价体系，也就是要得到权重。为了得到同一层次元素对上一层的元素的重要性。将该层次元素两两比较。具体实例：
为了得到
手段是构造如下的，两两比较的判断矩阵：

接着，自然是求解判断矩阵。
填写准则，如下
一般来说，我们很难构造出一致性矩阵。因此，要进行一致性检验。满足CR（<0.1）就认为是一致的。
首先计算CI=(λ_max​−n​)/(n−1)。
接着，查表找RI。
计算CR=CI/RI，满足CR（<0.1）即可满足要求。
  接着，由一致性矩阵求权重。可以利用特征值法。对判断矩阵最大特征值对应的特征向量进行归一化即可。
至此，完成了判断矩阵的求解，完成所有判断矩阵的求解，就完成了评价。

2.EWM（熵权法）

：客观赋权方法，数据越波动，权重越大。
步骤：（1）数据标准化，每个指标进行标准化。
（2）计算每个指标的熵值：

（3）计算差异性系数：
  D_j=1-E_j。
（4）计算各个指标权重。
耦合可以采取，平均值，拉格朗日等等。

3.critic客观定权

客观赋权方法。需要计算，样本之间的标准差与相关系数。一般而言，
1.数据标准化。对于正向指标与负向指标，采用min-max标准化。
  对于正向指标
  对于负向指标

2.计算每个指标的标准差。

3.计算每个指标之间的相关系数。
其中，p表示具有p个指标。也就是对于每个指标都计算了它与其他指标之间的相关系数。
4.得出权重。

4.TOPSIS

多维度因素综合评价模型。
  1.数据预处理，指标一般分为：正向类指标，负向类，中间值（靠近中间值），区间型（在一定区间内最好，在区间内无优劣之分）指标。一般需要将指标正向化处理并消除量纲的影响。具体如下：

至此，会得到评价矩阵A_n×m(n个评价对象，m个指标)。
（2）得到价值矩阵V=A×W。W是权重矩阵，权重可以通过AHP-EWM得到，或者其他算法。
（3）确定正负理想解。因为已经转换为正向指标。

（4）计算各方案与正负理想解的欧式距离。
（5）计算各方案对理想解的贴近度，贴近度越高，值越好，排名越高。
用公式表示：
  其中,理想最优解是每一列的最大值组成的向量。负理想最优解是每一列的最小值组成的向量。最终的决策依据：

得分越高，排名越靠前，解越优。