目录
步骤
例题：
将原始矩阵正向化
指标类型：
指标正向化：将所有的指标转化为极大型（用到了的话，在论文中要提到）
极小型的正向化
中间型指标
区间型
正向化矩阵标准化
各评价指标之间标准化（矩阵的行是n个被评价对象、列是m个评价指标），目的是消除量纲影响
计算得分并归一化
计算评分的公式：
带权重的指标：
之和 = 1、
（权重可以通过层次分析法或熵权法确定）
（层次分析法主观因素多、熵权法是一种客观赋权方法）
熵权法确定权重对topsis改进
熵权法的计算步骤
判断正向化、标准化后矩阵是否有负数
要利用熵权法，则正向化、标准化后的矩阵不能有负数（因为概率不能为负），有负数则将正向化后的矩阵按下图红框公式重新标准化：
计算每列指标中各样本的概率
计算信息熵、信息效用值
信息效用值越大、信息熵越小、信息量越多、权重越大
（信息熵衡量的是事件的不确定度，
信息量越多 不确定度当然越小，
信息量越多 当然该信息越重要 权重也越大）
熵权法的原理
信息量
熵权法是一种客观赋权方法，从数据本身得到权重
依据的原理：
指标的变异程度（可理解为方差/标准差）越小，所反映的信息量也越少，其对应的权值越低
信息量的度量：概率
事件发生概率越小、包含信息量越多；
事件越可能发生、信息量越少
事件的某情况发生的概率与其信息量关系：负对数
信息熵
发生概率p越小、信息量-ln(p)越大、信息熵越小
（信息熵衡量的是不确定性，信息量大了不确定性当然小）
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
