变异系数+标准差率+一种改进的Critic权重计算方法

zlmlpxy

已于 2023-10-06 15:13:10 修改

阅读量1k

点赞数 2

分类专栏：机器学习文章标签：机器学习 python 数据挖掘

于 2023-10-01 11:21:37 首次发布

本文链接：https://blog.csdn.net/weixin_44981864/article/details/133459710

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

本文介绍了一种改进的Critic权重计算方法，针对数据量纲不统一的问题，使用变异系数（CV）代替标准差表示对比强度，以中位数替代平均数减小极端值影响。通过sklearn库的VarianceThreshold进行特征选择，提高评价结果的可信度。

摘要由CSDN通过智能技术生成

一种改进的Critic权重计算方法

当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，
可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。
变异系数又称“标准差率”，是衡量资料中各观测值变异程度的另一个统计量。
公式表示为：变异系数CV=σ(X)/μ(X)
英文为用CV(Coefficient of Variance)。

CRITIC 权重法是一种客观赋权法。其思想在于用两项指标，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。对于多指标多对象的综合评价问题，CRITIC 法去消除一些相关性较强的指标的影响，减少指标之间信息上的重叠，更有利于得到可信的评价结果。

'''
@author: ZLM
一般来说，数据的量纲是不统一的，这种情况之下则不能直接使用标准差来衡量不同指标
之间的对比强度。一种常规的方法是对所有数据进行归一化来消除量纲对结果的影响，
但遗憾的是，归一化方法会改变指标之间的对比强度。
因此我们采用变异系数CV=σ(X)/μ(X)来表示指标之间的对比强度，如果数据变异系数越大说明波动越大，权重会越高。但是平均数会受到极端值的影响，中位数不受随机变量极大或极小值的影响，从而在一定程度上提高了中位数对随机变量分布的代表性。
鉴于此，我们采用如下公式计算变异系数CV=σ(X)/median(X)

'''
import numpy as np
from sklearn.feature_selection import VarianceThreshold
from sklearn.datasets import load_breast_cancer,load_iris,load_wine


X,y=load_wine(return_X_y=(True))
sel = VarianceThreshold()
X=sel.fit_transform(X)

data=X

def critic_weight(data):
    data_cv= np.std(data,axis=0)/np.median(data,axis=0)   
    data_corr = np.abs(np.corrcoef(data.T))
    data_corr = sum(1 - data_corr)
    C = data_cv * data_corr
    critic_weight= C/sum(C)
    return critic_weight

W1=critic_weight(X)


def critic_weight1(data):
    data_cv= np.std(data,axis=0)/np.mean(data,axis=0)   
    data_corr = np.abs(np.corrcoef(data.T))
    data_corr = sum(1 - data_corr)
    C = data_cv * data_corr
    critic_weight= C/sum(C)
    return critic_weight

W2=critic_weight1(X)