Python语言进行权重生成和评价模型

我在之前的比赛中很少涉及评价模型，做的更多的是模型评价，虽然两个词语位置不同但方法差异很大（开始我也差点搞混了），这次学习算是提供了一些新思路，个人就简单记录一下学习的内容（仅面向初学者，有些算法过于复杂，我自己也搞不明白，重点要学着用）。

权重生成通常涉及到确定不同因素或变量在模型中的重要性。一般情况需要通过实际数据，和多种方法生成。在获取权重后我们可以对每个指标进行评价，通过权重得分来选择最优方案。下面介绍几种常用的方法。

一.层次分析法

层次分析法属于一种多决策方法，通过建立层次结构模型，将不同层次间进行比较，最终确定决策依据。主要分为目标层、准则层、方案层。

相关例图

针对每一准则和方案，构建判断矩阵。成对比较矩阵通常采用1-标度进行取值。

下面简单给一个例子：

对角线属于自己与自己比较，默认为1，其余则是根据重要程度进行取值。

然后则是通过判断矩阵计算权重向量，通常是求取判断矩阵的特征值和特征向量，进行归一化处理。

import numpy as np
# 定义一个矩阵A
A = np.array([[...], [...]])
# 计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)
# 输出特征值和特征向量
print("特征值:", eigenvalues)
print("特征向量:\n", eigenvectors)
# 找到最大特征值对应的特征向量
max_index = np.argmax(eigenvalues)
max_eigenvector = eigenvectors[:, max_index]
# 归一化特征向量
weights = max_eigenvector / np.sum(max_eigenvector)
# 输出权重
print(weights)

最后是进行一致性检验，常用CR法进行检验，这里给出公式：

RI参考（n为标准数）：