【人因工程】熵值法与CRITIC法求权重

最新推荐文章于 2024-03-21 11:35:36 发布
最新推荐文章于 2024-03-21 11:35:36 发布
阅读量7.3k 收藏 44
点赞数 5
分类专栏： 人因工程 文章标签： python 数据分析 numpy 人因工程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mzy20010420/article/details/127327787
版权

目录

前言

1. 熵值法定义

2. 熵值法公式

二、熵值法代码实现

三、CRITIC法理论

1. CRITIC法定义

2. CRITIC法公式

2.1 指标正向化及标准化

2.2 计算信息承载量

2.3 计算权重和评分

四、CRITIC法代码实现

五、二者对比

总结

前言

当需要求少量影响因素的权重时，不需要再用复杂的神经网络进行计算，只需要一些最基本的方法。具体分析见如下链接：

综合评价指标权重方法汇总 - 知乎 (zhihu.com)icon-default.png?t=M85Bhttps://zhuanlan.zhihu.com/p/342901550#:~:text=%E9%80%82%E7%94%A8%E5%9C%BA%E6%99%AF%EF%BC%9ACRITIC%E6%9D%83%E9%87%8D%E7%BB%BC%E5%90%88%E8%80%83%E8%99%91%E4%BA%86%E6%95%B0%E6%8D%AE%E6%B3%A2%E5%8A%A8%E6%83%85%E5%86%B5%E5%92%8C%E6%8C%87%E6%A0%87%E9%97%B4%E7%9A%84%E7%9B%B8%E5%85%B3%E6%80%A7%EF%BC%8C%E5%9B%A0%E6%AD%A4%EF%BC%8CCRITIC%E6%9D%83%E9%87%8D%E6%B3%95%E9%80%82%E7%94%A8%E4%BA%8E%E8%BF%99%E6%A0%B7%E4%B8%80%E7%B1%BB%E6%95%B0%E6%8D%AE%EF%BC%8C%E5%8D%B3%20%E6%95%B0%E6%8D%AE%E7%A8%B3%E5%AE%9A%E6%80%A7%E5%8F%AF%E8%A7%86%E4%BD%9C%E4%B8%80%E7%A7%8D%E4%BF%A1%E6%81%AF,%EF%BC%8C%20%E5%B9%B6%E4%B8%94%E5%88%86%E6%9E%90%E7%9A%84%E6%8C%87%E6%A0%87%E6%88%96%E5%9B%A0%E7%B4%A0%E4%B9%8B%E9%97%B4%E6%9C%89%E7%9D%80%E4%B8%80%E5%AE%9A%E7%9A%84%E5%85%B3%E8%81%94%E5%85%B3%E7%B3%BB%E6%97%B6%E3%80%82总结下来如笔记所示：

因此我们选用熵值法和CRITIC法求权重 

一、熵值法理论

1. 熵值法定义

熵值法是计算指标权重的经典算法之一，它是指用来判断某个指标的离散程度的数学方法。离散程度越大，即信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。

2. 熵值法公式

1 .假设数据有n行记录，m个变量，数据可以用一个n*m的矩阵A表示(n行m列，即n行记录数，m个特征列)

2.数据的归一化处理

xij表示矩阵A的第i行j列元素。

x_{ij}=\frac{x_{ij}-min(x_{j}))}{max(x_{j})-min(x_{j})))};

3.计算第j项指标下第i个记录所占比重

P_{ij}=\frac{x_{ij}}{\ \sum_{1}^{n}x_{ij}}(j=1,2,...,m);

4.计算第j项指标的熵值

e_{j}=-k*\sum_{1}^{n}P_{ij}*log(P_{ij}), k=1/ln(n);

5.计算第j项指标的差异系数

g_{j}=1-e_{j}

6.计算第j项指标的权重

W_{j}=\frac{g_{j}}{\sum_{1}^{m}g_{j}};

二、熵值法代码实现

代码：

import numpy as np

#输入数据
loss = np.random.uniform(1, 4, size=5)
active_number = np.array([2, 4, 5, 3, 2])
data = np.array([loss, active_number])
print(data)

# 定义熵值法函数
def cal_weight(x):
    '''熵值法计算变量的权重'''
    # 正向化指标
    #x = (x - np.max(x, axis=1).reshape((2, 1))) / (np.max(x, axis=1).reshape((2, 1)) - np.min(x, axis=1).reshape((2, 1)))
    # 反向化指标
    x = (np.max(x, axis=1).reshape((2, 1)) - x) / (np.max(x, axis=1).reshape((2, 1)) - np.min(x, axis=1).reshape((2, 1)))

    #计算第i个研究对象某项指标的比重
    Pij = x / np.sum(x, axis=1).reshape((2, 1))
    ajs = []
    #某项指标的熵值e
    for i in Pij:
        for j in i:
            if j != 0:
                a = j * np.log(j)
                ajs.append(a)
            else:
                a = 0
                ajs.append(a)
    ajs = np.array(ajs).reshape((2, 5))
    e = -(1 / np.log(5)) * np.sum(ajs, axis=1)
    #计算差异系数
    g = 1 - e
    #给指标赋权，定义权重
    w = g / np.sum(g, axis=0)
    return w

w = cal_weight(data)
print(w)

 结果：

[[1.57242561 1.12780429 2.24411338 2.36236155 2.37789035]
 [2.         4.         5.         3.         2.        ]]
[0.70534397 0.29465603]

 

三、CRITIC法理论

1. CRITIC法定义

        CRITIC是Diakoulaki（1995）提出一种评价指标客观赋权方法。该方法在对指标进行权重计算时围绕两个方面进行：对比度和矛盾（冲突）性。

        它的基本思路是确定指标的客观权数以两个基本概念为基础。一是对比度，它表示同一指标各个评价方案取值差距的大小，以标准差的形式来表现，即标准化差的大小表明了在同一指标内各方案的取值差距的大小，标准差越大各方案的取值差距越大。二是评价指标之间的冲突性，指标之间的冲突性是以指标之间的相关性为基础，如两个指标之间具有较强的正相关，说明两个指标冲突性较低。
 

2. CRITIC法公式

2.1 指标正向化及标准化

        设有m个待评对象，n个评价指标，可以构成数据矩阵X=（xij)m*n，设数据矩阵内元素，经过指标正向化处理过后的元素为xij'

  • 若xj为负向指标（越小越优型指标）

  • 若xj为正向指标（越大越优型指标）

2.2 计算信息承载量

  • 对比性

用标准差表示第j 项指标的对比性

  • 矛盾性

矛盾性反映的是不同指标之间的相关程度，若呈现显著正相关性，则矛盾性数值越小。设指标𝑗与其余指标矛盾性大小为fj

  rij表示指标i 与指标j 之间的相关系数，在此使用的是皮尔逊相关系数，此为线性相关系数。

  • 信息承载量

   设指标𝑗与信息承载量为Cj

2.3 计算权重和评分

计算权重：

信息承载量越大可认为权重越大

计算得分：

四、CRITIC法代码实现

代码：

import numpy as np

#输入数据
loss = np.random.uniform(1, 4, size=5)
active_number = np.array([2, 4, 5, 3, 2])
data = np.array([loss, active_number])
print(data)


def CRITIC_weight(x):
    #反向归一化
    x = (np.max(x, axis=0) - x) / (np.max(x, axis=0) - np.min(x, axis=0))
    #对比性
    the = np.std(x, axis=0)
    #矛盾性
    #矩阵转置
    data3 = list(map(list, zip(*x)))

    r = np.corrcoef(data3)  # 求皮尔逊相关系数
    f = np.sum(1 - r, axis=1)
    # 信息承载量
    c = the * f
    # 计算权重
    w = c / np.sum(c, axis=0)
    return w
x = data.T
w = CRITIC_weight(x)
print(w)

结果：

[0.50785955 0.49214045]

五、二者对比

代码：

#!/usr/bin/python
# -*- coding: utf-8 -*-

"""
Created on Fri Mar 23 10:48:36 2018
@author: Big Teacher Brother
"""

import numpy as np

#输入数据
loss = np.random.uniform(1, 4, size=5)
active_number = np.array([2, 4, 5, 3, 2])
data = np.array([loss, active_number])
print(data)

# 定义熵值法函数
def cal_weight(x):
    '''熵值法计算变量的权重'''
    # 正向化指标
    #x = (x - np.max(x, axis=1).reshape((2, 1))) / (np.max(x, axis=1).reshape((2, 1)) - np.min(x, axis=1).reshape((2, 1)))
    # 反向化指标
    x = (np.max(x, axis=1).reshape((2, 1)) - x) / (np.max(x, axis=1).reshape((2, 1)) - np.min(x, axis=1).reshape((2, 1)))

    #计算第i个研究对象某项指标的比重
    Pij = x / np.sum(x, axis=1).reshape((2, 1))
    ajs = []
    #某项指标的熵值e
    for i in Pij:
        for j in i:
            if j != 0:
                a = j * np.log(j)
                ajs.append(a)
            else:
                a = 0
                ajs.append(a)
    ajs = np.array(ajs).reshape((2, 5))
    e = -(1 / np.log(5)) * np.sum(ajs, axis=1)
    #计算差异系数
    g = 1 - e
    #给指标赋权，定义权重
    w = g / np.sum(g, axis=0)
    return w

w = cal_weight(data)
print(w)






"""
# 定义熵值法函数
def cal_weight(x):
    '''熵值法计算变量的权重'''
    # 标准化
    # 正向化指标
    #x = (x - np.max(x, axis=1).reshape((2, 1))) / (np.max(x, axis=1).reshape((2, 1)) - np.min(x, axis=1).reshape((2, 1)))
    # 反向化指标
    x = (np.max(x, axis=0) - x) / (np.max(x, axis=0) - np.min(x, axis=0))

    # 求k

    k = 1.0 / math.log(5)


    # 矩阵计算--
    # 信息熵
    # p=array(p)
    x = array(x)
    lnf = [[None] * 2 for i in range(5)]
    lnf = array(lnf)
    for i in range(0, 5):
        for j in range(0, 2):
            if x[i][j] == 0:
                lnfij = 0.0
            else:
                p = x[i][j] / x.sum(axis=0)[j]
                lnfij = math.log(p) * p * (-k)
            lnf[i][j] = lnfij
    lnf = pd.DataFrame(lnf)
    E = lnf

    # 计算冗余度
    d = 1 - E.sum(axis=0)
    # 计算各指标的权重
    w = [[None] * 1 for i in range(cols)]
    for j in range(0, cols):
        wj = d[j] / sum(d)
        w[j] = wj
        # 计算各样本的综合得分,用最原始的数据

    w = pd.DataFrame(w)
    return w


if __name__ == '__main__':
    # 计算df各字段的权重
    w = cal_weight(data)  # 调用cal_weight
    w.index = data.columns
    w.columns = ['weight']
    print(w)
    print('运行完成!')
"""
def CRITIC_weight(x):
    #反向归一化
    x = (np.max(x, axis=0) - x) / (np.max(x, axis=0) - np.min(x, axis=0))
    #对比性
    the = np.std(x, axis=0)
    #矛盾性
    #矩阵转置
    data3 = list(map(list, zip(*x)))

    r = np.corrcoef(data3)  # 求皮尔逊相关系数
    f = np.sum(1 - r, axis=1)
    # 信息承载量
    c = the * f
    # 计算权重
    w = c / np.sum(c, axis=0)
    return w
x = data.T
w = CRITIC_weight(x)
print(w)

 结果：

[[1.57242561 1.12780429 2.24411338 2.36236155 2.37789035]
 [2.         4.         5.         3.         2.        ]]
[0.70534397 0.29465603]
[0.50785955 0.49214045]

总结

可以看出两种方法的结果差异不大。

Rachel MuZy
关注
  • 5
    点赞
  • 踩
  • 44
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
改进CRITIC法、CRITIC法、熵权法、结合TOPSIS法、线性加权法等代码
weixin_51144124的博客
05-11 2372
改进CRITIC法、CRITIC法、熵权法、结合TOPSIS法、线性加权法等代码，后期包括几种定权评价方法效果可视化
人因工程熵值法求权重正反向化的分析配套数据
10-17
【人因工程】熵值法求权重正反向化的分析配套数据。前面发现全进行反向化和一部分进行正向化，一部分进行反向化两种操作输出的权重差异不大。为此特进行分析。此文件为文章配套数据，可免费下载。放心食用！
三种客观权重方法及方差计算 1.熵权法,2.标准离差法,3.CRITIC法
04-02
三种客观权重方法 1.熵权法,2.标准离差法,3.CRITIC法 三种标准化方法 方差计算
CRITIC权重法
m0_62274659的博客
09-13 2098
它是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。
CRITIC法、TOPSISI、熵权法、变异系数法、变异系数-topsisi法、主成分分析法、CRITIC - 秩和比法、熵权-秩和比法、变异系数法 - 秩和比法、CRITIC-topsisi法等
最新发布
2401_83250053的博客
03-21 1343
同时，对于任何评价方法，都需要对数据进行适当的预处理和检查，以确保评价结果的准确性和可靠性。CRITIC法、TOPSISI、熵权法、变异系数法、变异系数-topsisi法、主成分分析法、CRITIC - 秩和比法、熵权-秩和比法、变异系数法 - 秩和比法、CRITIC-topsisi法、熵权-topsisi法。此外，随着数据科学和决策科学的发展，新的评价方法和技术不断涌现。因此，对于评价方法的选择和应用，应保持开放和灵活的态度，不断学习和探索新的方法和技术，以适应不断变化的实际需求。
权重确定方法五：CRITIC权重法
weixin_53972936的博客
03-07 3万+
​ CRITIC权重法是一种基于数据波动性的客观赋权法。其思想在于两项指标，分别是波动性（对比强度）和冲突性（相关性）指标。对比强度使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高；冲突性使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低。权重计算时，对比强度与冲突性指标相乘，并且进行归一化处理，即得到最终的权重。
CRITIC法之matlab
PY洋洋
02-07 6111
1.简介 2.原理解析 2.1 指标正向化及标准化 2.2计算信息承载量 2.3计算权重和评分 3.实例分析 3.1 读取数据 3.2 指标正向化及标准化 3.3 计算对比度 3.4矛盾性 3.5 计算信息载量 3.6 计算权重 3.7 计算得分 完整代码
python实现CRITIC方法
七玄桐的博客
04-02 2178
一个很简单的CRITIC方法python实现，通常用来确定属性权重的标准重要性。除了不要求属性的独立性外，CRITIC方法还反映了属性之间的相关系数。主要步骤为 1、标准化决策矩阵，可以有很多种方法。对于一个标准矩阵W，有 2、计算属性间j,k的相关系数。 3、计算每个属性的标准偏差。 4、计算属性的偏离度 5、获得属性权重 代码如下 # coding=gbk import pandas as pd import numpy as np if __name__ == '_
客观赋权法——CRITIC权重法【Python实现】
积一时之步，臻千里之遥程
03-05 3417
理论部分不介绍，可以看之前的文章 客观赋权法——CRITIC权重法 Python实现是用jupyter做的，做得比较糙，直接截图了，有需要jupyter文件的可以私信。 注：数据乱造的，看过程就行
Python综合评价模型（九）CRITIC法
Yif18的博客
04-15 2720
CRITlC法是综合考虑评价指标的变异性和独立性来分配权重，评价指标的变异性和独立性均较大，所赋权重就越大，并以此对评价对象进行综合评价的方法
改进CRITIC法、CRITIC法、熵权法、结合TOPSIS法、线性加权法，多种定权综合评价代码
05-11
改进CRITIC法、CRITIC法、熵权法、结合TOPSIS法、线性加权法，多种定权综合评价#####简单易懂代码#####；适用于指标定权，多指标评价；后期可将评价结果可视化； 针对属性评价研究中的不足，提出一种改进CRITIC法定权并结合TOPSIS方法对路段重要性进行综合评价。该方法在考虑指标内部信息量时用指标的变异系数来表示，有效避免了标准差过于绝对性；同时考虑指标间的冲突性时对相关系数取绝对值，消除正负号影响；结合指标的相对重要程度加权到TOPSIS综合评价模型，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距，最终通过武汉市路网进行实例验证分析。 将改进CRITIC与TOPSIS法简称为改进CT，同理将以往文献方法简称为未改进CT、熵权法T、线性加权法。由图7可知，改进CT方法相比未改进CT、线性加权方法，评价结果分层更加明显，可以路段重要梯次分为四个阶梯，每个阶梯路段重要程度以次下降；由于熵权法没有考虑到指标间的相关性，当两个指标间相关性高且指标值同时大或同时小就会出现综合评价结果偏大或偏小，由图7可知，改进CT法综合评价值区间跨度小于熵权法T区间。
强化学习算法-基于python的强化学习actor-critic算法实现
06-02
强化学习算法-基于python的强化学习actor-critic算法实现
基于python的强化学习算法Actor_Critic_Advantage设计与实现
04-16
基于python的强化学习算法Actor_Critic_Advantage设计与实现
人因工程与系统概念 精品资料.pptx
10-26
人因工程与系统概念
基于熵权法和集对分析的煤矿安全事故人因失误分析
05-25
为了研究人为因素对煤矿安全事故的影响,通过近10年的煤矿事故统计资料,构建了人因失误指标评价体系,利用熵权法确定指标体系中各因素的权重,结合集对分析模型对8大类煤矿安全事故进行动态分析,对近几年的煤矿安全事故...
人因工程与MOD法论文
12-27
人因工程与MOD法相结合，好资源，不要忘记下载，后悔不了啊
人因工程学与日常生活ppt——人因工程学与日常生活.pptx
10-20
人因工程学与日常生活ppt——人因工程学与日常生活.pptx
三种客观赋权法——熵权法、变异系数法、CRITIC
m0_59989429的博客
08-22 2万+
变异系数法、熵权法与CRITIC
客观赋权法——CRITIC权重法
热门推荐
积一时之步，臻千里之遥程
06-14 11万+
CRITIC权重法是一种客观赋权法。其思想在于用于两项指标，分别是对比强度和冲突性指标。对比强度使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高；冲突性使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低。权重计算时，对比强度与冲突性指标相乘，并且进行归一化处理，即得到最终的权重。 2、理论 CRITIC权重法利用了数据的波动性和相关关系情况，并非数字越大就说明越重要，完全利用数据自身的客观属性，便于进行科学评价。在进行CRITIC分析之前，通常需要对数据进行
提供人因工程课程设计灵感
06-02
以下是一些人因工程课程设计的灵感： 1. 基于人因工程设计的智能家居系统：使用人因工程学原理，设计智能家居系统，实现智能家居自动化控制和智能化管理。 2. 基于人因工程设计的智能健身设备：设计智能健身设备，根据不同人群的需求和身体状况，提供个性化的健身方案和实时监测。 3. 基于人因工程设计的智能医疗设备：使用人因工程学原理，设计智能医疗设备，为医疗人员提供更加高效、安全和准确的医疗服务。 4. 基于人因工程设计的智能交通系统：设计智能交通系统，优化交通流量，提高交通安全性，提供更加便捷和高效的出行体验。 5. 基于人因工程设计的智能办公系统：设计智能办公系统，提高办公效率和工作舒适度，减少员工的身体疲劳和压力。 6. 基于人因工程设计的智能教育系统：应用人因工程学原理，设计智能教育系统，提供个性化的教学方案和学习跟踪，提高学习效率和学习体验。 以上仅是一些灵感，可以根据具体需求和兴趣进行进一步的探索和设计。

“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 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

Rachel MuZy

你的鼓励是我的动力

¥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

实付元
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