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)