critic法计算_指标合成的客观权重法之熵权法

最新推荐文章于 2025-03-12 14:14:29 发布
最新推荐文章于 2025-03-12 14:14:29 发布
阅读量4.9k 收藏 2
点赞数
文章标签： critic法计算
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/weixin_42666036/article/details/112518537
版权
本文介绍了熵权法在客观权重确定中的应用，包括起源、决策矩阵的形成、数据归一化处理、特征比重计算、熵值与差异性系数的计算以及权重确定。通过实例展示了数据预处理过程，特别是归一化处理，适用于消除不同指标间的影响。此外，还提供了Matlab程序示例，来源于西北工业大学的数学建模课程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

客观权重确定有很多方法,如熵权法,标准离差法,CRITIC法,这里主要讲熵权法

起源

1850年,德国物理学家克劳修斯首次提出熵的概念,用来表示任何一种能量在空间中分布的均匀程度。
1948年,香农将熵的概念引入到信息论当中。在信息论中,熵是对系统状态不确定性的一种度量。
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,熵也就越大。可根据各项指标的变异程度,利用信息熵这个工具,计算各个指标的权重,为多指标综合评价提供依据。
利用熵的概念确定指标权重的方法称为熵值法。其出发点是根据某同一指标观测值之间的差异程度来反映其重要程度,如果各被评价对象的某项指标的数据差异不大,则反映该指标对评价系统所起的作用不大,差异程度越大,该指标对综合评价的影响越大。

求解流程

1.形成决策矩阵

设参与评价的对象集为

,指标集为
,评价对象
对指标
的值记为
,形成的决策矩阵X为

2.数据的归一化处理

为了消除各指标量纲不同对方案决策带来的影响

最低0.47元/天 解锁文章
心若悬河
关注
CRITIC权重法
2202_76035290的博客
05-30 1549
CRITIC权重法是一种综合考虑指标波动性和相关性的客观赋权方法，适用于需要处理多个评价指标并确定其相对重要性的场景。通过上述步骤和注意事项的应用，可以更加科学和合理地进行多准则决策分析。
【数据综合评价方法盘点】从原理到实践（七）CRITIC权重法
熵数实验室
02-09 1308
CRITIC权重法是一种客观赋权方法，它通过考虑两个因素来确定指标权重：对比强度和冲突性。对比强度反映了某个指标在不同样本之间的变异程度，变异程度越大，说明该指标的区分能力越强；冲突性则通过指标之间的相关性来衡量，相关性越小，说明该指标与其他指标之间的冲突性越大，其携带的独特信息就越多。综合这两个因素，能够更全面地确定指标的权重。
excel熵值法计算权重_指标合成的客观权重法之熵权法
weixin_39929566的博客
11-10 2402
客观权重确定有很多方法,如熵权法,标准离差法,CRITIC法,这里主要讲熵权法起源1850年,德国物理学家克劳修斯首次提出熵的概念,用来表示任何一种能量在空间中分布的均匀程度。1948年,香农将熵的概念引入到信息论当中。在信息论中,熵是对系统状态不确定性的一种度量。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,熵也就越大。可根据各项指标的变异程度,利用信息熵这个工具,计算各个指...
CRITIC法之matlab
PY洋洋
02-07 7107
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
183改进CRITIC法、CRITIC法、熵权法、结合TOPSIS法、线性加权法，多种定权综合评价方法
最新发布
weixin_47644037的博客
03-12 293
研究内容：适用于指标定权，多指标评价；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；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。
critic法计算_这可能是我见过的最好理解的Actor-Critic算法解释了
weixin_28853079的博客
12-24 2501
我通俗解释一下actor-critic方法。我用神经网络举例；实际上你可以用线性函数、kernel等等方法做函数近似。Actor(玩家)：为了玩转这个游戏得到尽量高的reward，你需要实现一个函数：输入state，输出action，即上面的第2步。可以用神经网络来近似这个函数。剩下的任务就是如何训练神经网络，让它的表现更好(得更高的reward)。这个网络就被称为actorCritic(评委)：...
三种客观赋权法——熵权法、变异系数法、CRITIC
m0_59989429的博客
08-22 3万+
变异系数法、熵权法与CRITIC
critic法计算_Critic赋值法-权重设计算法
weixin_42567279的博客
12-24 3032
http://www.doc88.com/p-4082292004105.html这篇文章中提到了这个算法，大部分没有问题，最终结果好像有问题。这里的j应该从0开始。最终正确的值是：0.124280495756807160.181220643759757470.361975345558461390.125001189658348860.20752232526662504https://wenku....
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
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 14万+
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
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。
权重计算（1）——客观赋权法
从此醉
04-08 2万+
本文首先分类介绍主客观赋权法，然后简述四种客观赋权法的算法步骤，分别给出python代码。
CRITIC权重指标如何计算？
m0_37228052的博客
01-19 8077
一、应用 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。 二、操作 SPSSAU操作 （1）点击SPSSAU综合评价里面的‘CRITIC权重’按钮。如下图 （2）拖拽数据后点击开始分析 三、数据处理 本
综合评价 | 基于层次-熵权-博弈组合法的综合评价模型（Matlab）
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
09-02 1086
综合评价 | 基于层次-熵权-博弈组合法的综合评价模型（Matlab）
【建模算法】CRITIC法（Python实现）
baidu的专栏
06-10 1万+
CRITIC是Diakoulaki（1995）提出一种评价指标客观赋权方法。CRITIC法是一种比熵权法和标准离差法更好的客观赋权法。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。考虑指标变异性大小的同时兼顾指标之间的相关性，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进行科学评价。...
技术人员的狂欢 | 看雪2020第四届安全开发者峰会顺利落幕
CSDN快讯
10-26 3325
在5G新基建的浪潮下，网络攻击手段不断升级，攻击范围也扩大到各个领域，新时代的网络安全将面临更复杂严峻的挑战。 10月23日，看雪2020第四届安全开发者峰会（看雪2020 SDC）顺应时代的变化，聚焦全新的网络安全挑战，以“新安全，新未来”为主题，在上海浦东喜来登由由大酒店为大家带来一场技术的饕餮盛宴。 新基建时代，网络安全相关的前沿技术已覆盖到更多领域，包括IoT安全、移动安全、漏洞挖掘、病毒分析、AI安全、工控安全、软件保护等，本次峰会上，看雪就邀请多位重量级嘉宾为广大安全爱好者带来紧抓.
CRITIC算法（权重确定一）
2402_83372966的博客
10-16 2975
CRITIC算法将数据稳定性作为一种数据，选定的指标也是有一定的联系的。CRITIC权重确定算法是一种基于的客观赋权法，因为数据波动性和相关性都是数据的信息，可以拿来计算权重。其实跟数据的离散程度相似，跟集中情况相似，可以使用标准差表示，因为它所能提供的信息量也就越大，应该给该指标分配更多的权重而便是使用相关系数表示，说明关系越紧密（说明它所提供的信息与其他指标的信息有较大的相似性，存在信息上的重叠，因此应该减少对该指标分配的权重），
权重确定方法五：CRITIC权重法
weixin_53972936的博客
03-07 4万+
​ 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。
5 评价类算法：CRITIC法笔记（附Python代码）
张某文_Lambda的博客
07-30 7486
介绍评价类算法：CRITIC法的一些内容，并附完整可实现的Python代码。
critic法计算指标权重步骤
01-28
### CRITIC法计算指标权重的具体步骤 #### 数据预处理 为了确保不同量纲的数据能够公平比较，在应用CRITIC法之前，需对原始数据进行标准化处理。这一步骤消除了因单位或数量级差异带来的影响[^2]。 ```python import numpy as np from sklearn.preprocessing import MinMaxScaler def standardize_data(data): scaler = MinMaxScaler() standardized_data = scaler.fit_transform(data) return standardized_data ``` #### 计算对比强度（波动性） 对比强度反映了单个指标内部数值分布的离散程度，通常采用标准差来衡量。对于每一个评价对象而言，某个特定属性上的取值变化幅度越大，则表明该属性对该类事物区分度越高，因此赋予更高的权重[^4]。 ```python def calculate_contrast_intensity(standardized_data): contrast_intensities = np.std(standardized_data, axis=0) return contrast_intensities ``` #### 测定冲突性（相关性） 冲突性描述的是两个不同维度之间是否存在重复表达的信息。当两列特征高度线性关联时，意味着二者提供了相似的信息贡献，此时应适当降低其中一个甚至双方所占比例以避免过拟合风险。这里利用皮尔逊积矩相关系数矩阵来进行定量分析。 ```python import pandas as pd def compute_conflict_matrix(standardized_data): df = pd.DataFrame(standardized_data) correlation_matrix = abs(df.corr().values) conflict_matrix = 1 - correlation_matrix np.fill_diagonal(conflict_matrix, 0) # 对角线设为零 return conflict_matrix ``` #### 综合评分并归一化 最后将上述获得的各项得分相乘得到综合评价值，并实施规范化操作使得总和等于1从而形成有效的概率分布形式作为最终输出结果。 ```python def normalize_weights(weights): sum_of_weights = weights.sum() normalized_weights = weights / sum_of_weights return normalized_weights def critic_method(data): std_data = standardize_data(data) ci = calculate_contrast_intensity(std_data) cm = compute_conflict_matrix(std_data).sum(axis=0) combined_scores = ci * cm final_weights = normalize_weights(combined_scores) return final_weights ```
评论
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
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