从0开始机器学习--12.决策分析-运筹优化与数学建模（决策分析方法，评价模型-层次分析法AHP、灰色综合评价法/灰色关联法、模糊综合评价法、TOPSIS法、数据包络分析DEA、组合评价法，含代码）

写在前面

这些内容准确来说严格意义上不属于机器学习，把这部分内容归在这篇专栏中，主要原因之一是：机器学习算是与评价模型有关，且机器学习可以解决数学建模的问题。（其实就是我不想让这篇文章没有专栏归属，就把它聚类到这里了，后续若有更新其他运筹或数模的文章会再单独分类的~）

机器学习与评价模型的关系与联系

机器学习（Machine Learning） 主要通过数据驱动的方法来学习模型，用于从历史数据中发现模式并进行预测或决策。评价模型是用来对某个系统或过程进行量化和评估的工具，常常用来帮助决策。机器学习和评价模型在实际应用中有紧密的联系，特别是在多目标决策、优化和自动化评估中，机器学习算法常用于评估标准和模型参数的学习和改进。

• 《机器学习》：通过训练数据，构建预测模型，通常包含监督学习、无监督学习、强化学习等方法。
• 评价模型：帮助决策者分析不同选项的优劣，常用于多标准决策分析。
• 联系：评价模型为机器学习算法提供了评估准则，反过来，机器学习算法可优化决策模型的效果，使其更具智能化和自动化。
• 《决策分析》：
  • 主要研究如何在不确定、模糊或复杂的环境下对决策问题进行分析和选择。这些评价模型（如AHP、TOPSIS、DEA等）正是该领域的核心方法。
  • 决策分析关注的是如何通过数学和统计方法来支持决策过程，尤其是如何处理多准则决策和复杂的决策问题。
• 《运筹与优化》：
  • 该领域主要研究如何通过数学模型、算法和计算方法来优化资源的配置、时间的安排等。运筹学通常更加关注约束条件下的最优化问题，如线性规划、整数规划、动态规划等。
  • 如果涉及到优化决策问题（例如，利用优化算法来解决某些决策模型中的最优方案选择问题），那部分内容可能会涉及到运筹与优化。
• 《数学建模》：
  • 数学建模是通过建立数学模型来描述现实问题，通常会结合数据、方程和算法来解决实际问题。数学建模的应用场景非常广泛，从经济学、工程学到管理学、医学等都有涉及。
  • 在数学建模中，决策分析方法可以作为一个工具，用来建立多目标、多约束条件的决策模型，并求解最优解。

本专栏其他内容:

• 1.python基础；
• 2.ai模型概念+基础；
• 3.数据预处理；
• 4.机器学习模型--1.编码（嵌入）；2.聚类；3.降维；4.回归（预测）；5.分类；
• 5.正则化技术；
• 6.神经网络模型--1.概念+基础；2.几种常见的神经网络模型；
• 7.对回归、分类模型的评价方式；
• 8.简单强化学习概念；
• 9.几种常见的启发式算法及应用场景；
• 10.机器学习延申应用-数据分析相关内容--1.A/B Test；2.辛普森悖论；3.蒙特卡洛模拟；
• 11.数据挖掘--关联规则挖掘
• 12.数学建模--决策分析方法，评价模型
• 13.主动学习（半监督学习）
• 以及其他的与人工智能相关的学习经历，如数据挖掘、计算机视觉-OCR光学字符识别、大模型等。

合集链接https://blog.csdn.net/m0_73752612/category_12799244.html?fromshare=blogcolumn&sharetype=blogcolumn&sharerId=12799244&sharerefer=PC&sharesource=m0_73752612&sharefrom=from_link

---

目录

写在前面

机器学习与评价模型的关系与联系

决策分析

基本概念与问题

决策分析方法

评价模型

层次分析法（AHP）

简单综述介绍

假设条件/超参数

思想/原理介绍（公式）

算法步骤

主要应用场景

优缺点

简单Python演示代码

灰色综合评价法（灰色关联法）

简单综述介绍

假设条件/超参数

思想/原理介绍（公式）

算法步骤

主要应用场景

优缺点

简单Python演示代码

模糊综合评价法

简单综述介绍

假设条件/超参数

思想/原理介绍（公式）

算法步骤

主要应用场景

优缺点

简单Python演示代码

TOPSIS法

简单综述介绍

假设条件/超参数

思想/原理介绍（公式）

算法步骤

主要应用场景

优缺点

简单Python演示代码

数据包络分析（DEA）

简单综述介绍

假设条件/超参数

思想/原理介绍（公式）

算法步骤

主要应用场景

优缺点

简单Python演示代码

组合评价法

简单综述介绍

假设条件/超参数

思想/原理介绍

算法步骤

主要应用场景

优缺点

总结

---

决策分析

基本概念与问题

决策分析 是指在面对不确定性和复杂情况时，使用科学的方式来选择最优决策方案的过程。其主要问题是如何在多种选择方案中做出最优决策，尤其是在不确定、风险和利益冲突的情况下。

决策分析与评价模型的关系与联系：

• 决策分析 提供了评估决策效果的框架，评价模型为决策分析提供了具体的评估工具。
• 决策分析在考虑决策目标和可行方案时，利用评价模型来衡量每个选项的优劣，为最终决策提供依据。

决策分析方法

风险型决策方法：

• 风险决策的期望值法：基于每个决策可能产生的结果及其发生概率计算期望值，选择期望值最大（或最小）的决策。

  • 优点：量化风险，帮助决策者理性决策。
  • 缺点：依赖于概率的准确性。
• 利用后验概率的方法及信息价值：根据追加信息对先验概率进行修正，并根据后验概率进行修正（类似于贝叶斯分类器的原理）（可见本专栏《4.4分类》）。将获取追加信息的费用与带来的收益增加值进行比较判断。
• 决策树方法

不确定型决策方法：

无法知道哪种自然状态将出现，且对出现概率也不确定。主要取决于决策者的素质和要求。

• 乐观准则（max-max）：选择最优的最好的结果，适用于对风险容忍度高的决策者。

  • 优点：简单直接。
  • 缺点：忽略了风险。

• 悲观准则（max-min）：选择最坏结果中的最优，即对最坏结果进行保守选择，适合风险厌恶的决策者。

  • 优点：规避最坏情况。
  • 缺点：可能错失更好的机会。

• 等可能准则（Laplace准则）：假设所有决策方案的概率相等，选择期望值最大的方案。

  • 优点：简单，适用于没有明确概率信息时。
  • 缺点：可能过于简化。

• 遗憾准则（min-max）：选择最小化遗憾（即错过最好结果的损失）的决策。

  • 优点：适合避免因错误选择导致的后悔。
  • 缺点：计算较为复杂。

• 效用函数方法：通过效用函数来度量各个决策的满足程度，选择效用最大的决策。

  • 优点：可以将不同标准量化为统一的效用值。
  • 缺点：需要设计合理的效用函数。

评价模型

通常用于多方案决策分析（Multi-Criteria Decision Making, MCDM）

• 场景：当需要在多个备选方案中做出选择时，评价模型帮助根据不同的标准（或属性）对这些方案进行综合评估。
• 典型问题：选址问题（选择最佳商铺位置）、旅游推荐（选择最佳旅行目的地）、供应链优化（选择最优供应商）。
• 常用方法：层次分析法（AHP）、模糊综合评价法、灰色关联分析、TOPSIS等。

风险评估与决策优化

• 场景：在金融、工程、保险等领域，评价模型被用来评估不同方案或行为的风险，帮助决策者做出最优选择。
• 典型问题：金融投资组合优化、保险定价、工程项目的风险分析。
• 常用方法：效用理论、期望效用模型、风险评估模型等。

模型选择与比较、预测模型性能评估（见本专栏《7.模型评估》）

层次分析法（AHP）

简单综述介绍

层次分析法（AHP）是一种多准则决策分析方法，用于处理多标准决策问题。它通过将复杂问题分解成多个层次，并通过对比各方案之间的相对重要性来进行评估。AHP广泛应用于评估和选择方案，在项目管理、资源分配、风险管理等领域都有广泛应用。

AHP的主要特点是通过建立递阶层次结构, 把人类的判断转化到若干因 素两两之间重要度的比较上, 从而把难于量化的定性判断转化为可操作的重 要度的比较上面。在许多情况下, 决策者可以直接使用AHP进行决策, 极大地提高了决策的有效性、可靠性和可行性, 但其本质是一种思维方式, 它把复杂问题分解成多个组成因素, 又将这些因素按支配关系分别形成递阶层次 结构, 通过两两比较的方法确定决策方案相对重要度的总排序。整个过程体 现了人类决策思维的基本特征，即分解、判断、综合，克服了其他方法回避 决策者主观判断的缺点。

多个准则层，一层一层求解

• （1）从上到下顺序地存在支配关系，并用直线段表示。除目标层外，每个元素至少杯上一层一个元素支配。除最后一层外，每个元素至少支配下一层次一个元素，上下层元素的联系比同一层次强, 以避免同一层次中不相邻元素存在支配关系;
• （2）整个结构中, 层次数不受限制;
• （3）最高层只有一个元素, 每一个元素所支配的元素一般不超过 9 个, 元素过多时可进一步分组；准则层只对应两个方案时，将其余的那个方案权重设为0。
• 该图来源

假设条件/超参数

• 假设每个方案的比较是可量化的。
• 需要专家对不同方案进行成对比较。
• 超参数：无明显的超参数，依赖于判断矩阵的一致性。

思想/原理介绍（公式）

需要用到线性代数基础知识。

• 构建判断矩阵：对于每一对准则 ​ 和 ，我们用数字 来表示它们之间的重要性比例（例如，1表示两者同等重要，3表示 比 ​ 重要）。
• 判断矩阵的一致性检验：对于矩阵的每个元素 ，需满足·=1。
• 特征向量法：通过计算判断矩阵的特征向量来得到各准则的权重。
  • 算数平均法求权重（对每一列归一化处理，再对每一行取平均）
  • 几何平均法求权重
    • 第一步：将A的元素按照行相乘得到一个新的列向量
    • 第二步：将新的向量的每个分量开 n 次方
    • 第三步: 对该列向量进行归一化即可得到权重向量
  • 特征值求权重（使用的最多）
    • 第一步：求出矩阵A的最大特征值以及其对应的特征向量
    • 第二步：对求出的特征向量进行归一化即可得到我们的权重

算法步骤

1. 构建决策问题的层次结构。
2. 构建判断矩阵，进行专家评估。
3. 计算判断矩阵的特征向量，得出每一层的权重。
4. 一致性检验，确保判断矩阵的一致性。
5. 通过加权平均法得出最终决策结果。

主要应用场景

• 项目选择
• 资源分配
• 风险评估
• 供应商选择

优缺点

• 优点：简洁易懂，适用于多层次、多标准的决策分析。
• 缺点：判断矩阵可能受到专家主观偏差的影响，且当层次和标准增多时，计算复杂度增大。

简单Python演示代码

例子来源及详解

小明想去旅游，经查阅攻略，初步选择苏杭、北戴河和桂林三地作为目标景点。请确定评价指标、形成评价体系为小明同学选择最佳的方案。

1. 评价目标：去哪个城市旅游
2. 可选方案：苏杭、北戴河、桂林
3. 评价指标：知网搜索“旅游目的地影响因素”，阅读相关文献并在写论文中加以引用，选择：景点景色、旅游花费、居住环境、饮食情况、交通便利程度五个指标
4. 完成表格：在确定表格权重时，采用分而治之的思想。一次性考虑这5个指标，往往考虑不周，两个两个指标进行比较，最终根据两两比较的结果来推算出权重。即层次分析法的思想。

层次图：

import matplotlib.pyplot as plt
import networkx as nx

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建一个有向图
G = nx.DiGraph()

# 添加节点
G.add_node("选择最佳旅游城市", level=0)
G.add_node("交通便利性", level=1)
G.add_node("景点吸引力", level=1)
G.add_node("住宿价格", level=1)
G.add_node("苏杭", level=2)
G.add_node("北戴河", level=2)
G.add_node("桂林", level=2)

# 添加边（即层次关系）
G.add_edges_from([
    ("选择最佳旅游城市", "交通便利性"),
    ("选择最佳旅游城市", "景点吸引力"),
    ("选择最佳旅游城市", "住宿价格"),
    ("交通便利性", "苏杭"),
    ("交通便利性", "北戴河"),
    ("交通便利性", "桂林"),
    ("景点吸引力", "苏杭"),
    ("景点吸引力", "北戴河"),
    ("景点吸引力", "桂林"),
    ("住宿价格", "苏杭"),
    ("住宿价格", "北戴河"),
    ("住宿价格", "桂林"),
])

# 计算节点的层次
pos = {
    "选择最佳旅游城市": (0, 2),
    "交通便利性": (-1, 1),
    "景点吸引力": (0, 1),
    "住宿价格": (1, 1),
    "苏杭": (-1, 0),
    "北戴河": (0, 0),
    "桂林": (1, 0)
}

# 绘制图形
plt.figure(figsize=(8, 6))
nx.draw(G, pos, with_labels=True, node_size=3000, node_color='skyblue', font_size=10, font_weight='bold', arrows=True)
plt.title("层次分析法（AHP）层次图")
plt.show()

import numpy as np
import pandas as pd

# 定义判断矩阵
A = np.array([
    [1, 3, 5, 7, 9],  # 景点景色
    [1/3, 1, 3, 5, 7],  # 旅游花费
    [1/5, 1/3, 1, 3, 5],  # 居住环境
    [1/7, 1/5, 1/3, 1, 3],  # 饮食情况
    [1/9, 1/7, 1/5, 1/3, 1]  # 交通便利程度
])

# 打印判断矩阵
df_A = pd.DataFrame(A, columns=["景点景色", "旅游花费", "居住环境", "饮食情况", "交通便利程度"],
                    index=["景点景色", "旅游花费", "居住环境", "饮食情况", "交通便利程度"])
print("判断矩阵：\n", df_A)


from numpy.linalg import eig

# 求解特征值和特征向量
eigvals, eigvecs = eig(A)

# 取最大特征值对应的特征向量
max_eigval_index = np.argmax(eigvals)
weights = eigvecs[:, max_eigval_index].real

# 归一化处理权重
weights = weights / sum(weights)
print("各评价指标的权重：", weights)

# 计算一致性比率（CR）
CI = (eigvals[max_eigval_index] - len(A)) / (len(A) - 1)
RI = 1.12  # 规模为5时的随机一致性指标（RI值）
CR = CI / RI

print("一致性比率：", CR)
if CR < 0.1:
    print("一致性通过")
else:
    print("一致性不通过")


# 方案评分数据
scores = np.array([
    [9, 6, 7, 8, 6],  # 苏杭
    [7, 8, 7, 6, 7],  # 北戴河
    [8, 7, 8, 7, 8]   # 桂林
])

# 计算各方案的综合评分
final_scores = np.dot(scores, weights)
print("各方案的综合评分：", final_scores)

# 选择得分最高的方案
best_option = ["苏杭", "北戴河", "桂林"][np.argmax(final_scores)]
print("最佳旅游城市选择：", best_option)


import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 可视化判断矩阵
sns.heatmap(A, annot=True, cmap="Blues", xticklabels=df_A.columns, yticklabels=df_A.index)
plt.title("判断矩阵")
plt.show()

# 可视化各方案的综合评分
plt.bar(["苏杭", "北戴河", "桂林"], final_scores)
plt.xlabel("方案")
plt.ylabel("综合评分")
plt.title("各方案综合评分")
plt.show()

判断矩阵：
             景点景色      旅游花费      居住环境      饮食情况  交通便利程度
景点景色    1.000000  3.000000  5.000000  7.000000     9.0
旅游花费    0.333333  1.000000  3.000000  5.000000     7.0
居住环境    0.200000  0.333333  1.000000  3.000000     5.0
饮食情况    0.142857  0.200000  0.333333  1.000000     3.0
交通便利程度  0.111111  0.142857  0.200000  0.333333     1.0
各评价指标的权重： [0.51281281 0.26149906 0.12897642 0.06337653 0.03333518]
一致性比率： (0.05300786863555966+0j)
一致性通过
各方案的综合评分： [7.79416792 7.19812253 7.67512442]
最佳旅游城市选择： 苏杭

灰色综合评价法（灰色关联法）

简单综述介绍

灰色综合评价法基于灰色系统理论，主要用于处理系统中的不确定性信息。通过计算不同方案与理想方案之间的关联度来进行综合评估，广泛应用于环境监测、质量评价等领域。

• 灰色系统理论（Grey System Theory，GST）是一种用于分析和处理不确定性、部分信息不完全的系统理论。它的核心思想是：面对信息不完全、数据不完整、缺乏全知的情况，通过“灰色”而非“黑色”或“白色”的概念来进行建模和分析。灰色系统理论通过对系统中的不完全信息进行合理的推测和处理，以便揭示系统的规律，进而做出预测或决策。

• 主要步骤：

  • 数据预处理：将原始数据进行归一化处理，使得各数据处于相同的标准。
  • 计算关联度：通过计算各方案与理想方案的差异度，得到关联度。关联度越高，表示方案与理想方案越相似。
  • 排序与评估：根据计算出的关联度对所有方案进行排序，选择最优方案。
• 主要方法：

  • 灰色关联分析法（GRA）：用于分析和比较不同方案之间的优劣，广泛应用于工业质量评估、环境监测等领域。

  • 灰色预测法：灰色系统中的灰色预测（GM）方法利用有限的历史数据来建立模型进行未来预测。灰色GM(1,1)模型是最常见的模型之一，广泛用于时间序列预测。

    • GM(1,1)模型的步骤：（具体见本专栏《4.3回归》）
      • 累加生成：通过对原始数据序列进行累加生成序列，以消除数据的波动性。
      • 建立灰色微分方程：根据累加序列建立一阶灰色微分方程，求解得到相关参数。
      • 预测：利用已建立的灰色模型进行未来值的预测。

假设条件/超参数

• 假设不同方案之间的数据能够进行灰色关联度分析。
• 超参数：无显式超参数。

思想/原理介绍（公式）

• 关联度计算公式： 其中，​ 为参考序列（理想方案）， 为待评估方案，ρ 为分辨系数（一般取 0.5 或 0.6）。关联度越高，代表越接近所谓的理想方案。

算法步骤

1. 标准化原始数据。
2. 计算每个方案与理想方案的灰色关联度。
3. 根据关联度排序，得出评估结果。

主要应用场景

• 环境监测
• 工业质量控制
• 项目评价

优缺点

• 优点：能处理不完全和模糊的数据。
• 缺点：计算复杂，对数据的标准化要求较高。

简单Python演示代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 方案评分数据
scores = np.array([
    [9, 6, 7, 8, 6],  # 苏杭
    [7, 8, 7, 6, 7],  # 北戴河
    [8, 7, 8, 7, 8]   # 桂林
])

# 归一化处理
min_scores = np.min(scores, axis=0)
max_scores = np.max(scores, axis=0)
normalized_scores = (scores - min_scores) / (max_scores - min_scores)

# 计算关联度
ideal_solution = np.max(normalized_scores, axis=0)  # 理想方案（最大值）
disassociation = np.abs(normalized_scores - ideal_solution)
min_disassociation = np.min(disassociation)
max_disassociation = np.max(disassociation)

# 灰色关联度
grey_relations = (min_disassociation + 0.5 * max_disassociation) / (disassociation + 0.5 * max_disassociation)
print("各方案的灰色关联度：", grey_relations)

# 计算每个方案的平均灰色关联度
average_grey_relations = np.mean(grey_relations, axis=1)
print("每个方案的平均灰色关联度：", average_grey_relations)

# 选择关联度平均值最大的方案
best_option_gra = ["苏杭", "北戴河", "桂林"][np.argmax(average_grey_relations)]
print("基于平均灰色关联度选择的最佳旅游城市：", best_option_gra)

# 可视化平均灰色关联度
plt.bar(["苏杭", "北戴河", "桂林"], average_grey_relations)
plt.xlabel("方案")
plt.ylabel("平均灰色关联度")
plt.title("每个方案的平均灰色关联度")
plt.show()

各方案的灰色关联度： [[1.         0.33333333 0.33333333 1.         0.33333333]
 [0.33333333 1.         0.33333333 0.33333333 0.5       ]
 [0.5        0.5        1.         0.5        1.        ]]
每个方案的平均灰色关联度： [0.6 0.5 0.7]
基于平均灰色关联度选择的最佳旅游城市： 桂林

模糊综合评价法

简单综述介绍

模糊综合评价法基于模糊数学（若有需求的话可以单独出一篇博客介绍模糊数学、模糊控制等概念，可留言），旨在处理不确定和模糊性信息，通过隶属度函数对评价指标进行模糊化处理，最终综合得出各方案的评估结果。广泛应用于环境评估、健康评价等领域。

假设条件/超参数

• 假设评价数据能够进行模糊化处理。
• 超参数：隶属度函数的选择。

思想/原理介绍（公式）

• 隶属度函数： 其中，a 和 b 为区间的上下界，x 为评价指标值，μ(x) 为隶属度。

算法步骤

1. 确定评价指标。
2. 为每个指标建立隶属度函数。
3. 进行综合评估，得到综合得分。

主要应用场景

• 环境影响评价
• 社会安全评估
• 风险评估

优缺点

• 优点：能处理模糊、不确定性的信息。
• 缺点：需要专家经验（专家系统、PID专家控制）来构建隶属度函数。

简单Python演示代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from skfuzzy import control as ctrl
import skfuzzy as fuzz

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 方案评分数据
scores = np.array([
    [9, 6, 7, 8, 6],  # 苏杭
    [7, 8, 7, 6, 7],  # 北戴河
    [8, 7, 8, 7, 8]   # 桂林
])

# 将评分归一化为0到1之间
scores_fuzzy = scores / 10.0  # 评分归一化

# 隶属度函数
x = np.arange(0, 1.1, 0.1)  # 隶属度函数的范围

# 对每个评分设置隶属度函数（使用三角隶属度函数）
fuzzy_scores = np.array([fuzz.trimf(x, [0, 0.5, 1]) for score in scores_fuzzy.flatten()])

# 将每个方案的评分通过隶属度函数映射
fuzzy_scores = fuzzy_scores.reshape(scores_fuzzy.shape[0], scores_fuzzy.shape[1], -1)

# 权重
weights_fuzzy = np.array([0.2, 0.3, 0.5])  # 假设每个评分的权重

# 将权重调整为与 fuzzy_scores 相容的形状 (3, 1, 1)
weights_fuzzy = weights_fuzzy[:, np.newaxis, np.newaxis]  # 调整权重形状为 (3, 1, 1)

# 计算每个评分项的加权隶属度评分
weighted_scores = fuzzy_scores * weights_fuzzy

# 对每个评分项求和，得到每个方案的综合评分
fuzzy_composite_scores = np.sum(weighted_scores, axis=2).flatten()
# 去除相同的评分值，保留唯一的评分
fuzzy_composite_scores_unique = np.unique(fuzzy_composite_scores)

# # 打印调试信息
# print("模糊综合评分：", fuzzy_composite_scores)
# print("模糊综合评分的长度：", len(fuzzy_composite_scores))
# print("fuzzy_scores的形状：", fuzzy_scores.shape)
# print("fuzzy_scores的内容：", fuzzy_scores)


# 选择综合评分最高的方案
best_option_fuzzy = ["苏杭", "北戴河", "桂林"][np.argmax(fuzzy_composite_scores_unique)]
print("模糊综合评价法选择的最佳旅游城市：", best_option_fuzzy)

# 可视化模糊综合评价
plt.bar(["苏杭", "北戴河", "桂林"], fuzzy_composite_scores_unique)
plt.xlabel("方案")
plt.ylabel("模糊综合评分")
plt.title("模糊综合评分")
plt.show()

import numpy as np
import matplotlib.pyplot as plt

# 构建一个简单的隶属度函数
def membership_function(x, a, b):
    return (x - a) / (b - a)

# 数据
data = np.array([70, 80, 90, 85])
a, b = 60, 100  # 隶属度函数区间

# 计算隶属度
membership_values = membership_function(data, a, b)

# 可视化
plt.bar(range(len(membership_values)), membership_values)
plt.title("隶属度")
plt.xlabel("方案")
plt.ylabel("隶属度")
plt.show()

TOPSIS法

在本专栏《9.启发式算法》中对TOPSIS也有简单介绍。

简单综述介绍

TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution）法通过计算各方案与理想解和负理想解的距离来进行排序，最终选择与理想解最接近的方案。常用于多目标决策问题。

假设条件/超参数

• 假设决策矩阵已经标准化。
• 超参数：无。

思想/原理介绍（公式）

• 正理想解：所有指标的最大值。
• 负理想解：所有指标的最小值。
• 计算每个方案与正负理想解的距离：​ 最终的接近度：

算法步骤

1. 构造决策矩阵。
2. 标准化矩阵。
3. 计算正负理想解。
4. 计算与正负理想解的距离。
5. 根据距离计算接近度，进行排序。

主要应用场景

• 项目优选
• 产品评估
• 资源分配

优缺点

• 优点：计算简单，结果清晰。
• 缺点：对权重敏感。

简单Python演示代码

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 构造决策矩阵
decision_matrix = np.array([
    [250, 60, 7],
    [300, 50, 8],
    [220, 70, 6]
])

# 标准化矩阵
scaler = MinMaxScaler()
norm_matrix = scaler.fit_transform(decision_matrix)

# 计算正负理想解
positive_ideal = np.max(norm_matrix, axis=0)
negative_ideal = np.min(norm_matrix, axis=0)

# 计算与理想解的距离
dist_positive = np.sqrt(np.sum((norm_matrix - positive_ideal) ** 2, axis=1))
dist_negative = np.sqrt(np.sum((norm_matrix - negative_ideal) ** 2, axis=1))

# 计算接近度
closeness = dist_negative / (dist_positive + dist_negative)

# 可视化
labels = ['方案1', '方案2', '方案3']
plt.bar(labels, closeness)
plt.ylabel('接近度')
plt.title('TOPSIS法评估结果')
plt.show()

数据包络分析（DEA）

简单综述介绍

数据包络分析（DEA）是一种评估多输入多输出决策单元（DMU）相对效率的方法，通过建立生产前沿来评估各单元的效率。广泛应用于银行、医院、教育等领域的效率评估。

假设条件/超参数

• 假设每个决策单元的输入输出可以量化。
• 超参数：无显式超参数。

思想/原理介绍（公式）

DEA的基本原理是通过线性规划来求解决策单元的相对效率。假设有 n 个决策单元，每个决策单元有 m 个输入和 s 个输出：

• 对于决策单元 j，它的相对效率 ​ 满足以下线性规划：
  •    
  • subject to:    λi​≥0,i=1,2,…,n

算法步骤

1. 构造决策单元的输入输出矩阵。
2. 通过线性规划方法计算每个决策单元的效率。
3. 得到每个单元的相对效率。

主要应用场景

• 企业效率评估
• 医院、银行等公共服务行业效率分析

优缺点

• 优点：无须考虑具体的权重，纯粹的效率评估。
• 缺点：对数据变化敏感，可能对某些数据偏差敏感。

简单Python演示代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 设置中文字体和负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 简单的DEA数据（输入，输出）
inputs = np.array([
    [200, 150],
    [400, 300],
    [300, 250]
])

outputs = np.array([
    [100, 80],
    [200, 180],
    [150, 120]
])

# 计算相对效率（简化版）
efficiencies = np.linalg.norm(outputs, axis=1) / np.linalg.norm(inputs, axis=1)

# 可视化
labels = ['DMU1', 'DMU2', 'DMU3']
plt.bar(labels, efficiencies)
plt.title("DEA效率评估")
plt.ylabel("效率")
plt.show()

组合评价法

简单综述介绍

组合评价法通过结合多种评价方法来提高评估结果的准确性，弥补单一方法的不足。它利用多个模型的优点来得出最终的评价结果。

假设条件/超参数

• 假设选择的评价方法能够互补。
• 超参数：组合方法的权重和规则。

思想/原理介绍

• 通过加权平均或其他规则将多个评价方法的结果组合在一起，以便得到一个更为准确的评估结果。

算法步骤

1. 选择多个评价方法。
2. 对每个方法计算得分。
3. 根据预设规则或权重进行组合。
4. 得到最终的评估结果。

主要应用场景

• 复杂多目标决策问题。
• 需要多个角度进行评估的场景。

优缺点

• 优点：能够结合不同方法的优点，提高评估精度。
• 缺点：需要合理设计组合规则和权重，可能会复杂化计算过程。

---

总结

机器学习（ML）是通过数据学习模型以进行预测或决策，包含监督学习、无监督学习和强化学习等方法。评价模型用于多目标决策分析，帮助决策者量化和比较不同选项的优劣。机器学习与评价模型在实际应用中相辅相成，前者提供数据驱动的决策支持，后者则为机器学习模型提供评估标准和改进路径。决策分析主要处理多标准决策问题，运用数学和统计方法对复杂环境中的决策进行优化。常见的评价模型方法包括AHP、TOPSIS和灰色关联法等，这些方法通过对比和综合评价不同方案，帮助决策者在不确定性或风险条件下做出最优选择。此外，风险评估和决策优化在金融、工程等领域也有广泛应用，能够进一步提升决策的智能化与自动化。