平均符号熵的计算公式_指标权重确定方法之熵值法

关注

听说关注了我的人

都升职加薪啦

0 1 日常工作中,经常需要确定各指标的权重,利用熵值法确定权重属于客观赋权法,从数据出发,避免过强的主观性,那我们详细了解下其原理及其是如何运作的吧。

什么是信息熵

熵是热力学的一个物理概念,是体系混乱度(或无序度)的量度。熵越大说明系统越混乱,携带的信息越少,熵越小说明系统越有序,携带的信息越多。 信息熵则借鉴了热力学中熵的概念 (注意:信息熵的符号与热力学熵应该是相反的),用于描述平均而言事件信息量大小。所以数学上,信息熵其实是事件所包含的信息量的期望。 在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和。根据上面期望的定义,我们可以设想信息熵的公式大概是这样的一个格式: 信息熵=∑每种可能事件的概率*每种可能事件包含的信息量0 2

如何理解信息熵

信息熵的基本思想是从指标的无序程度,即指标熵的角度来反映指标对评价对象的区分程度,某指标的熵值越小,该指标的样本数据就越有序,样本数据间的差异就越大,对评价对象的区分能力也就越大,相应的权重也就越大。相反,某个指标的信息熵越大表明指标的变异程度越小,提供的信息量也就越少,在综合评价中所起的作用也就越小,其权重也就越小。0 3

    熵值法如何实现

1、假设数据有n行记录,m

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
离差是指一组数据中,每个数据与数据的平均值之差的绝对值。离差可以用来衡量数据的分散程度,离差越大,说明数据的分散程度越大。 指标权重确定方法之标准离差法(均方差法)就是使用离差来确定指标权重。具体步骤如下: 1. 对每个指标进行归一化处理,使得各个指标的取值范围相同。 2. 计算每个指标的标准差,即离差的平均值。 3. 计算每个指标的标准离差,即离差除以标准差。 4. 计算每个指标权重,即标准离差的平均值除以每个指标的标准离差。 5. 将每个指标权重进行归一化处理,使得各个指标权重之和为1。 下面是 Python 代码实现: ```python import numpy as np # 数据 data = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) # 归一化 data_norm = (data - data.min(axis=0)) / (data.max(axis=0) - data.min(axis=0)) # 标准差 std = np.std(data_norm, axis=0) # 标准离差 std_diff = np.abs(data_norm - np.mean(data_norm, axis=0)) / std # 权重 weights = np.mean(std_diff, axis=0) / std_diff # 归一化权重 weights_norm = weights / np.sum(weights) print(weights_norm) ``` 以上代码中,我们使用 numpy 库来进行数值计算,并且假设我们的数据集是一个3行4列的矩阵,每一行代表一个样本,每一列代表一个指标。我们首先对每列数据进行归一化处理,然后计算标准差和标准离差,最后计算每个指标权重并归一化。最终输出的是一个长度为4的一维数组,表示每个指标权重

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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