评价类模型——基于熵权法对Topsis模型的修正

像一只黄油飞

已于 2024-07-17 20:12:12 修改

阅读量236

点赞数 5

分类专栏：数学建模清风文章标签：数学建模笔记学习方法学习算法程序人生 python

于 2024-07-17 20:11:46 首次发布

本文链接：https://blog.csdn.net/W2663772417/article/details/140504125

版权

数学建模清风专栏收录该内容

3 篇文章 0 订阅

订阅专栏

个人学习笔记，课程为数学建模清风付费课程

1.基于熵权法对Topsis模型的修正

层次分析法最大的缺点 ：判断矩阵的确定依赖于专家，如果专家的判断存在主观性的话，

会对结果产生很大的影响。（主观性太强）

因此我们采用熵权法

熵权法是一种客观赋权方法

依据的原理： 指标的变异程度越小，所反映的信息量也越少，其对应的权值也应该越低。（客观 = 数据本身就可以告诉我们权重）

（一种极端的例子：对于所有的样本而言，这个指标都是相同的数值，那么我们可认为这个指标的权值为0，即这个指标对于我们的评价起不到任何帮助）

2.如何度量信息量的大小

上面的小例子告诉我们： 越有可能发生的事情，信息量越少， 越不可能发生的事情，信息量就越多。

怎么衡量事情发生的可能性大小？ —— 概率

3.信息熵的定义

信息熵的本质：对信息量的期望值

4.熵越大信息量越大还是越小？

对于熵权法而言，因为我们关注的是已有的信息，所以答案是越小。

即 信息熵越大信息量越小

5.熵权法的计算步骤

5.1第一步

（ 1 ）判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间（后面计算概率时需要保证每一个元素为非负数）

5.2第二步

（2）计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率

5.3第三步

（3）计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权

6.熵权法背后的原理

熵权法是一种客观赋权方法

依据的原理： 指标的变异程度越小，所反映的信息量也越少，其对应的权值也应该越低。（客观 = 数据本身就可以告诉我们权重）

我们可以用指标的标准差来衡量样本的变异程度，指标的标准差越大，其信息熵越小。

7.熵权法的讨论

熵权法的一个问题：因为概率p 是位于 0‐1 之间，因此需要对原始数据进行标准化，我们应该选择哪种方式进行标准化呢？查看知网的文献会发现，并没有约定俗成的标准，每个人的选取可能

都不一样。但是不同方式标准化得到的结果可能有很大差异，所以说熵权法也是存在着一定的问题的。

8.熵权法的代码实现

function [W] = Entropy_Method(Z)
% 计算有n个样本，m个指标的样本所对应的的熵权
% 输入
% Z ： n*m的矩阵（要经过正向化和标准化处理，且元素中不存在负数）
% 输出
% W：熵权，1*m的行向量

%% 计算熵权
    [n,m] = size(Z);
    D = zeros(1,m);  % 初始化保存信息效用值的行向量
    for i = 1:m
        x = Z(:,i);  % 取出第i列的指标
        p = x / sum(x);
        % 注意，p有可能为0，此时计算ln(p)*p时，Matlab会返回NaN，所以这里我们自己定义一个函数
        e = -sum(p .* mylog(p)) / log(n); % 计算信息熵
        D(i) = 1- e; % 计算信息效用值
    end
    W = D ./ sum(D);  % 将信息效用值归一化，得到权重    
end

% 重新定义一个mylog函数，当输入的p中元素为0时，返回0
function [lnp] =  mylog(p)
n = length(p);   % 向量的长度
lnp = zeros(n,1);   % 初始化最后的结果
    for i = 1:n   % 开始循环
        if p(i) == 0   % 如果第i个元素为0
            lnp(i) = 0;  % 那么返回的第i个结果也为0
        else
            lnp(i) = log(p(i));  
        end
    end
end