TOPSIS法

优劣解距离法:评价类模型,有准确的评判标准后得到评分。

构造计算评分的公式:

(x-min)/(max-min)

或(x-min)/((max-x)+(x-min))


指标类型

极大型指标:越大越好。

极小型指标:越小越好。

中间性指标:既不要太大也不要太小,取特定值最好。

区间型:指标值落在某个区间内最好。


获取评分步骤

第一步:指标正向化(将所有指标转化为极大型)

       极小型-->极大型:

x = max-x

       中间型-->极大型:

 

       区间型-->极大型:

 

第二步:标准化处理(消除量纲)

每一个元素/根号下该列元素平方的和

Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1);

 

第三步:计算得分

归一化得分:z与最小值的距离/z与最大值的距离+z与最小值的距离)

计算与最大值的距离和最小值的距离(欧式距离),并算出得分:

D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量,按行求和

D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5;   % D- 与最小值的距离向量

S = D_N ./ (D_P+D_N);    % 未归一化的得分

disp('最后的得分为:')

stand_S = S / sum(S)
TOPSIS是一种用于综合评价方法,可以利用原始数据信息准确地反映各评价方案之间的差距。它由C.L.Hwang和K.Yoon于1981年首次提出,也被称为逼近理想解排序或优劣解距离。 在使用TOPSIS进行评价时,基本的过程包括以下几个步骤: 1. 将原始数据矩阵进行统一指标处理,通常是进行正向处理,以确保各指标的方向一致。 2. 对正向后的矩阵进行标准处理,以消除各指标量纲的影响。 3. 找到最优方案和最劣方案,即在有限方案中找到最好和最差的方案。 4. 分别计算每个评价对象与最优方案和最劣方案之间的距离,以确定每个评价对象与最优方案的相对接近程度。 5. 根据计算结果,对评价对象进行排序,以确定其优劣程度。 对于使用Python实现TOPSIS,可以使用NumPy等科学计算库进行矩阵运算和数学计算。具体实现涉及到数据处理、标准、距离计算等步骤,可以根据实际需求选择合适的方法和函数。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [python实现topsis](https://blog.csdn.net/weixin_52300428/article/details/126309794)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 1
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

打赏作者

曦樂~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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