Yif18的博客

CRITlC法是综合考虑评价指标的变异性和独立性来分配权重，评价指标的变异性和独立性均较大，所赋权重就越大，并以此对评价对象进行综合评价的方法

熵权法是根据评价指标的变异程度（差异系数）来分配权重，评价指标变异程度越大，所赋权重就越大，并以此对评价对象进行综合评价的方法

变异系数法是根据评价指标的变异程度来分配权重，评价指标的变异程度越大，所赋权重就越大，并以此对评价对象进行综合评价的方法

层次分析法是建立递阶层次结构，通过比较评价准则（评价指标）的两两重要程度对评价方案（评价对象）进行综合评价的方法

专家评分法是依据相关领域专家的主观经验对评价指标赋权，从而对评价对象进行综合评价的方法

主成分分析法是通过降维把多个评价指标转化为少数几个综合指标从而对评价对象进行综合评价的方法

秩和比法（Rank Sum Ratio）是基于评价指标矩阵的秩和比（RSR）统计量对评价对象进行综合评价的方法

Python综合评价模型（二）灰色关联度法

TOPSIS法（理想解排序法）是基于评价指标的正理想解和负理想解对评价对象进行综合评价

知识点3.3.1 word2vec知识点3.3.2 哈夫曼树知识点3.3.3 层次Softmax知识点3.3.4 负采样

知识点3.2.1 共现矩阵知识点3.2.2 NNLM模型（神经网络语言模型）

知识点3.1.1 文本向量化和语言模型的概念知识点3.1.2 词袋模型知识点3.1.3 N-gram模型最基础的以词为基本单元的文本向量化方法把文本看成是一系列词的集合（袋子）词和词相互独立，一个词是否在文本中出现不依赖于其他词#载入需要的程序库impor

知识点2.3.1 TextRank算法的思想起源知识点2.3.2 TextRank算法的基本思想知识点2.3.3 基于jieba的TextRank关键词提取

知识点2.2.5 基于sklearn的TF-IDF关键词提取

知识点2.2.1 TF-IDF算法的基本思想知识点2.2.2 基于jieba的TF-IDF关键词提取知识点2.2.3 关键词的词云图展示

知识点2.1.1 高频词和关键词的区别知识点2.1.2 基于numpy和pandas的高频词提取知识点2.1.3 基于nltk的高频词提取知识点2.1.4 高频词的词云图展示

知识点1.2.1 新词词典的形成知识点1.2.2 新词词典的使用知识点1.2.3 停用词词典的使用知识点1.2.4 词性标注

Chapter 1.1 分词的基础操作知识点1.1.1 分词方法的类型知识点1.1.2 基于规则分词的主要规则知识点1.1.3 分词工具的介绍——Jieba分词知识点1.1.4 Jieba分词的实战——2021年政府工作报告

Excel VS Python 第九期——多表合并

Excel VS Python 第八期——选择部分数据