清风数学建模笔记--熵权法

是一种可以客观赋权的方法(我们可以从数据中查看权重)

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。

本文借鉴了数学建模清风老师的课件与视频,如果大家发现文章中有不正确的地方,欢迎大家在评论区留言,也可以点击本行文字,购买清风老师的课进行深入学习.

  1. 方法介绍

熵权法就是根据一项指标的变化程度来分配权重的,举个例子:浩浩和玉宇是两名百米运动员,浩浩在训练中成绩经常破10,而玉宇的成绩没有破过10.在一次比赛中中,浩浩依旧发挥稳定,还是破10了,而玉宇的成绩也破10。那就很不一样了,玉宇这里包含的信息就非常大,所对应的权重也就高一些。

  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。其中我们认为概率就是衡量事情发生的可能性大小的指标。

  那么把 信息量 用字母表示,概率 用 P 表示,那么我们可以将它们建立一个函数关系:

那么,假设 x 表示事件 X 可能发生的某种情况,p(x)表示这种情况发生的概率情况如上图所示,该图像可以用对数函数进行拟合,那么最终我们可以定义:Ⅰ( x ) = −ln⁡(p(x))因为 0≤p( x )≤10 ,所以 Ⅰ( x )≥ 0 。

信息熵的定义

  假设 x 表示事件 X 可能发生的某种情况,p(x) 表示这种情况发生的概率我们可以定义:Ⅰ( x ) =−ln ⁡ ( p( x ) ),因为0 ≤ p(x) ≤ 1 ,所以Ⅰ( x )≥0。 如果事件 X 可能发生的情况分别为: x1, x2 , ⋯   , xn,那么我们可以定义事件 X 的信息熵为:

那么从上面的公式可以看出,信息上的本质就是对信息量的期望值。

可以证明的是:p ( x1 ) = p ( x2 )= ⋯ =p ( x n ) = 1 / n 时,H(x) 取最大值,此时H(x)=ln ⁡(n) 。(n表示事件发生情况的总数)

  1. 熵权法的计算步骤

熵权法的计算步骤大致分为以下三步:

  • 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)。

  • 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。

  • 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。

  • 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)。

  • 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。

  • 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。

这里要说明两个问题:

1. 为什么这里要除以 ln(n) 这个常数?

在前面说过 p (x1 ) = p ( x2 ) = . . . = p ( xn ) = 1 / n 时,H(x) 取最大值为ln(n),这里除以ln(n) 能够使得信息嫡的始终位于 [0,1] 区间上面。

2. ej 越大,即第 j 个指标的信息嫡越大,表明第 j 个指标的信息越多还是越少?

答案是越少。当 p1j = p2j = ⋯ = pnj ,取到最大值 1 。但是因为 ,所以 ,即所有样本的这个指标值都相同。 指标相同意味着这个指标的数据没有变化,也就是 信息少! 因此需要将其倒转,即计算信息效用值。

信息效用值的定义:

那么信息效用值越大,其对应的信息就越多。

将信息效用值进行归一化,我们就能够得到每个指标的 熵权 :

,(j=1,2,3,……,n)

  1. 模型扩展 ()

  • 熵权法可对 TOPSIS 法进行修正。

  • 熵权法背后的原理是利用指标的变异程度进行赋权,存在一定程度的客观性,可利用主观赋权法求得的权重向量进行综合。

  • 客观赋权法存在很多,求得客观权重的方法也有很多,其中灰色关联分析法得到的关联程度也可当作权重进行应用。

  • 不同的标准化方法,可能得到的标准化矩阵Z存在差异,因此根据实际情况来使用标准化方法,注意前提都是得到的Z矩阵中没有负数。

  1. 模型总结

总结一下步骤:

  • 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)。

  • 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

  • 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。

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值