熵值TOPSIS
最近闲来无事,想起之前发了熵值法和TOPSIS法的python代码,但是熵值法和TOPSIS法结合又是怎样的呢?小编接下来将为大家讲述熵值TOPSIS的步骤,具体代码大家自行编制吧。哈哈哈。
其中 ,
表示第 i 个样本第 j 项评价指标的数值。
对于某项指标,Xj 样本的离散程度越大,则该指标在综合评价中所起的作用就越大。如果该指标的标志值全部相等,则表示该指标在综合评价中不起作用。
第一步,采用熵值法确定权重。
(一)数据归一化处理
为消除因量纲不同对评价结果的影响,需要对各指标进行归一化或者标准化处理。
Pij 第 j 个指标中第 i 个样本标志值的比重
(二)计算信息熵
(三)计算效用价值
(四)计算熵权
第二步,结合TOPSIS进行综合加权。
(一)指标同质化
若所用指标的值越大越好(正向指标):
若所用指标的值越小越好(负向指标) :
其中,maxxj 为第 j 项指标的最大值;minxj 为第 j 项指标的最小值。
(二)规范化矩阵
(三)最优、最劣列值
(四)最优、最劣距离
(五)综合得分
Ci 取值为(0,1),越接近1,评价对象越接近最优水平,综合得分越高