topsis中极小值型数据是否可以不做正向化处理？

最新推荐文章于 2024-09-02 14:06:43 发布
最新推荐文章于 2024-09-02 14:06:43 发布
阅读量403 收藏
点赞数
文章标签： python matlab
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_51499053/article/details/123191773
版权

看了一个topsis案例，在最开始时只对区间型和和中间型数据做了正向化处理，极小值型数据没有动，当然最后在确定正理想解和负理想解时也前后保持一致了。这种处理方式也是🆗的嘛？

还是说在最开始统一把所有类型的数据都正向化处理了比较好呢？

easybreezy_
关注
用MATLAB实现topsis评价法
STONE10089的博客
11-04 6393
最近将topsis评价方法用matlab实现了，就此分享一下具体操作方法，以供大家参考纠正。 1 将topsis的评价流程及函数方程列出 1.1 对各评价对象的参数矩阵进行同向化处理。 一般选择正向化处理，下面列举一些网络上其他博主的公式，以供参考使用。 1.1.1 极大型指标正向化 极大型指标所指意思为，这个指标越大越好，例如（升学率，毕业率等） X:各极大型属性指标的参数； Xmax：X参数中的最大参数； Xmin：X参数中的最小参数； 1.1.2 极小型指标正向化 同极大型
TOPSIS法
weixin_53283563的博客
06-29 570
综合评价与决策方法--TOPSIS
topsis中指标的正向化.zip
05-13
TOPSIS中各种指标的正向化（极小，中间，区间）,将极小型指标，中间型指标，区间型指标化为极大型，是根据清风老师的课件整理的
Python 数据正向化 (数学建模)
a2476100824的博客
10-10 2181
Python 数据正向化 (数学建模)
数据预处理中的数据正向化，标准化和归一化
最新发布
2201_76133789的博客
09-02 705
正向化是为了解决指标方向性的问题，使所有指标都能在同一方向上进行比较。标准化是为了解决数据的量纲问题，使数据转化为均值为0、标准差为1的标准正态分布，便于算法的处理。归一化则是为了将数据缩放到特定的范围内，通常用于需要计算距离的算法中。
TOPSIS(逼近理想解)算法原理详解与代码实现
qq_41687938的博客
06-12 7150
写在前面： 个人理解：针对存在多项指标，多个方案的方案评价分析方法，也就是根据已存在的一份数据，判断数据中各个方案的优劣。中心思想是首先确定各项指标的最优理想值(正理想值)和最劣理想值(负理想解)，所谓正理想值是一设想的最好值（方案），它的的各个属性值都达到各候选方案中最好的值，而负理想解是另一设想的最坏的值（方案），然后求出各个方案与正理想值和负理想值之间的加权欧氏距离，由此得出各方案与最优方案的接近程度，作为评价方案的优劣标准，最后得到各个方案的优劣值。 目录 一、TOPSIS算法 1.1 ..
数学建模方法之TOPSIS优劣解距离法
L15364283的博客
01-29 1987
在前面的学习中，我们学习了层次分析法，但是层次分析法还有很多的缺陷，比如： （1）评价的决策层不能太多，太多的话n会很大，判断矩阵和一致矩阵差异可能会很大。 平均随机一致性指标RI的表格中n最多是15。 （2）如果决策层中指标的数据是已知的，那么我们如何也无法利用这些数据来使得评价的更加准确。 所以我们引出了TOPSIS法去解决这一系列问题。 TOPSIS （Technique for Order Preference by Similarity to an Ideal Solution ）法是C.
优劣解距离法（TOPSIS）——数学建模清风笔记
wudjhxji的博客
01-14 1699
随机变量的信息熵越大，则它的值（内容）能补充给你的信息量越大，而知道这个值前你已有的信息量越小。
学习打卡7.18
weixin_46382984的博客
07-30 2668
TOPSIS法 模型介绍 处理原始数据 首先，对于我们得到的数据先进行统一指标类型 其中最常用的就是将所有的指标转化为极大型称为指标正向化 然后对数据进行标准化处理 进行标准化处理的理由是因为量纲不同 所以需要标准化处理 标准化处理的计算公式 计算得分 当只有一个指标的时候 然后我们可以通过类比，得到 TOPSIS法的步骤 1.将原始矩阵正向化 我们常见的有4种 极小型 中间型 中间型指标：指标值既不要太大也不要太小，取某特定值最好（如水质量评估PH 值） 区间型 区间型指标：指标值落在某个区
TOPSIS法学习笔记（Technique for Order Preference by Similarity to Ideal Solution）
tangbiubiu的博客
07-15 3709
TOPSIS法 学习笔记TOPSIS法的步骤第一步：指标分类第二步 正向化处理第三步 标准化处理第四步 计算得分并归一化 TOPSIS法也叫优劣解距离法，是一种常用的综合评价方法。主要是通过各评价目标与理想化目标的接近程度来进行排序，进而获得现有目标的相对优劣的评价。 TOPSIS法的步骤 第一步：指标分类 指标 指标特点 例子 极大型指标 越大越好 利润、成绩 极小型指标 越小越好 成本、损失 中间型指标 越接近某个确定的值越好 水体的PH值 区间型指标 落在某个区间上最好 体
【2.2】 数学建模之TOPSIS（优劣解距离模型）|极小型、中间型、区间型指标的正向化的方法|各种指标正向化的MATLAB代码讲解
weixin_45615071的博客
04-27 2万+
数学建模之TOPSIS（优劣解距离模型）|极小型、中间型、区间型指标的正向化的方法|各种指标正向化的MATLAB代码讲解
数据分析——数值标准化
D_Ddd0701的博客
03-08 2020
数据分析——数值量纲化
数学建模——数据预处理
RechoYit的博客
04-22 2300
一、为什么要进行数据预处理前的分析 在获得数据以后，需要将数据进行分类，以便进行后续数据处理以及建模步骤，譬如，当数据中出现0/1表示否/是，成本行指标，效益型指标等等类型时，需要将其进行分割，不同数据类型使用不同模型或归一化至同一类型。其次，数据可视化分析能够更直观看出异常值，缺失值，数据走势，甚至有时可以看出数据是否为噪声数据进而进行去除噪声，看出是否为时间序列数据进而使用正确的模型。总而言之，数据预处理前的分析步骤能够大大提高后续的效率。 二、为什么要数据预处理 缺失值处理：实际数据往往会存
MATLAB 之 优劣解距离法（TOPSIS ）
每天进步一点点！
11-23 8774
TOPSIS 总结
【数学建模入门】TOPSIS算法
YangJinHong2003的博客
12-20 3554
TOPSIS法 可翻译为逼近理想解排序法，国内常简称为优劣解距离法与层次分析法相比，topsis的先决条件是有初始的数据，所以我们更应该通过这些数据进行分析。
层次分析，critic以及topsis
Pbw_666的博客
09-04 8228
AHP，EWM及其耦合。   AHP（层次分析法）：主观评价法，结合定性和定量来分析，对难以完全定量的复杂系统做出决策。 算法步骤：（1）建立层次结构模型。（2）构造判断矩阵。（3）填写判断矩阵并进行一致性检验。（4）填充权重矩阵得出结果。 （1）构建层次结构   首先，需要有层次，上图是一个三层的结构。是一个基本的结构，可以加深层次，具体实例如下： （2）构造判断矩阵。就根本目的来说，要得到评价体系，也就是要得到权重。为了得到同一层次元素对上一层的元素的重要性。将该层次元素两两比较。具体实例： 为了得到
清风数学建模学习笔记——灰色关联分析(GRA)详细解读与案例分析
热门推荐
秀岩的博客
01-21 4万+
灰色关联分析   灰色关联分析的基本思想 是根据序列曲线几何形状的相似程度来判断其联系是否紧密，曲线越接近，相应序列之间的关联度就越大，反之则越小。   此方法可用于 进行系统分析，也可应用于对问题 进行综合评价。 文章目录灰色关联分析一、概述二、模型实现1. 应用一：进行系统分析2. 应用二：进行综合评价问题三、模型扩展（★） 一、概述   一般的抽象系统，如社会系统、经济系统、农业系统、生态系统、教育系统等都包含有许多种因素,多种因素共同作用的结果决定了该系统的发展态势。人们常常希望知道在众多的
如果各个数据量纲一致，在Topsis中还需要数据归一化处理吗
07-15
在Topsis方法中，数据归一化是一种常用的预处理步骤，用于确保各个数据量纲一致，以避免数据值的大小对最终结果产生较大的影响。 即使各个数据量纲一致，仍然建议进行数据归一化处理。这是因为Topsis方法是基于距离...
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