数学建模笔记-熵权法确定评价类问题指标的权重 清风课程笔记整理

评价类问题：
1.层次分析法入门学习:
https://blog.csdn.net/weixin_47066458/article/details/113177117
2.Topsisi入门学习：
https://blog.csdn.net/weixin_47066458/article/details/113811761

一、预备知识

依据原理：

指标的变异程度越小，所反映的信息量也越少，其对应的权值也应该越低。（客观 = 数据本身就可以告诉我们权重）
一种极端的例子：对于所有的样本而言，这个指标都是相同的数值，那么我们可认为这个指标的权值为0，即这个指标对于我们的评价起不到任何帮助。

信息量：

越有可能发生的事情，信息量越少，
越不可能发生的事情，信息量就越多。
假设x表示事件X可能发生的某种情况，p表示这种情况发生的概率，我们可以定义：
信息量 $I(x)=-\ln (p(x))$

信息熵：

我们可以定义事件X的信息熵为：
$H(X)={\sum }_{i=1}^n\left[p\left(x_i\right)I\left(x_i\right)\right]=-{\sum }_{i=1}^n\left[p\left(x_i\right)\ln \left(p\left(x_i\right)\right)\right]$
由公式可以看出，信息熵的本质是对信息量的期望值。
可以证明：

信息熵越大，它的内容带给我们的信息量越大，而对于熵权法，我们关注的是已有的信息，所以信息量越小。

二、熵权法

计算步骤：

• 1.判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间（后面计算概率时需要保证每一个元素为非负数）
  
  • 对其标准化矩阵记为Z，Z中每一个元素：$z_{ij}=x_{ij}/\sqrt{{\sum }_{i=1}^n{x}_{ij}^2}$
  • 如果上步中得到的Z中存在负数的话，则需对X使用另一种标准化方法：
    z ~ i j = x i j − min ⁡ { x 1 j , x 2 j , ⋯   , x n j } max ⁡ { x 1 j , x 2 j , ⋯   , x n j } − min ⁡ { x 1 j , x 2 j , ⋯   , x n j } \quad \tilde{z}_{i j}=\frac{x_{i j}-\min \left\{x_{1 j}, x_{2 j}, \cdots, x_{n j}\right\}}{\max \left\{x_{1 j}, x_{2 j}, \cdots, x_{n j}\right\}-\min \left\{x_{1 j}, x_{2 j}, \cdots, x_{n j}\right\}} z~ij​=max{x1j​,x2j​,⋯,xnj​}−min{x1j​,x2j​,⋯,xnj​}xij​−min{x1j​,x2j​,⋯,xnj​}​
• 2.计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率。
  
• 3.计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。
  • 对于第j个指标，其信息熵计算公式：
    
  • 定义信息效用：$d_j$=1-$e_j$
    信息效用值越大，其对应的信息就越多
    我们将信息效用值进行归一化，可以得到每个指标的熵权：
    

注意事项：

• 熵权法的一个问题：因为概率p是位于0‐1之间，因此需要对原始数据进行标准化，我们应该选择哪种方式进行标准化呢？查看知网的文献会发现，并没有约定俗成的标准，每个人的选取可能都不一样。但是不同方式标准化得到的结果可能有很大差异，所以说熵权法也是存在着一定的问题的。
• 如果论文要发表，尽量不使用熵权法；
  如果只是用这个方法进行比赛，那么可以随便用，因为这个方法总比自己随意定义的好。
• Matlab函数：
  function [W] = Entropy_Method(Z)
  % 计算有n个样本，m个指标的样本所对应的的熵权
  % 输入
  % Z ： n * m 的矩阵（要经过正向化和标准化处理，且元素中不存在负数）
  % 输出
  % W：熵权，1*m的行向量