美赛综合评价方法分析总结

1.主观赋权法：综合指数法、模糊综合评判法、层次分析法、功效系数法等

2.客观赋权法：主成分分析法、因子分析法、TOPSIS法、秩和比法、灰色关联法、熵权法、层次分析法、模糊评价法、物元分析法、价值工程法、聚类分析法、神经网络法等

1. 理想解法（TOPSIS）

用法：已知多种方案，以及方案的效果，对方案进行评估排序

解决多属性决策的排序法：理想点法、简单线性加权法、加权平方和法、主程序分析法、功效系数法、可能满意度法、交叉增援矩阵法等。

原理：理想解法的定义简单来说就是将各个方案与理想中的最优解和理想中的最差解来比较，计算当前方案分别与最优解和最差解的距离，以此来选出所给方案中的最佳方案。直接得到综合评价指数。

P378

2.数据包络分析法

用法：已知多种方案，以及方案的输入与输出效果，对方案进行评估，方案是否有效

P389

3.主成分分析法（PCA）

特点：PCA多用于对数据特征集进行降维，也方便对数据集进行可视化操作，说白了最后进行结果展示那么多特征向量要一起表示的话肯定很难展示，超过三维的数据就很难展示了

设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。综合变量整合权重=综合评价指标

推导原理：https://blog.csdn.net/master_hunter/article/details/114301045

P396

4.层次分析法（AHP） 计算权重

主要解决评价类的问题。如选择哪种方案最好，哪位员工表现最好等。

特点：它是一个较为 主观 的评价方法，其在赋权得到权重向量的时候，主观因素占比很大。因而在建模比赛中，常常与客观方法得到的权重向量方法进行综合，而得出一个综合的权重向量，进行后续操作。

原理：https://blog.csdn.net/weixin_43819566

P403

5.熵权法（EWM） 计算权重

按照信息论基本原理的解释，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量;如果指标的信息熵越小，该指标提供的信息量越大，在综合评价中所起作用理当越大，权重就应该越高。

代码：https://blog.csdn.net/qq_52785473

6.变异系数法

变异系数法根据各评价指标当前值与目标值的变异程度来对各指标进行赋权，若某项指标的数值差异较大，能明确区分开各被评价对象，说明该指标的分辨信息丰富，因而应给该指标以较大的权重；反之，若各个被评价对象在某项指标上的数值差异较小，那么这项指标区分各评价对象的能力较弱，因而应给该指标较小的权重。

代码：https://blog.csdn.net/qq_25990967