从零开始的数模学习（4）：熵权法（评价类模型）

Day-3

已于 2023-02-21 14:06:12 修改

阅读量5.9k

点赞数 8

分类专栏：从零开始的数模学习文章标签：后端 matlab

于 2022-02-06 23:10:32 首次发布

本文链接：https://blog.csdn.net/weixin_61823031/article/details/122801863

版权

从零开始的数模学习专栏收录该内容

18 篇文章 13 订阅

订阅专栏

1、算法简介：

熵是热力学单位，在数学中，信息熵表示事件所包含的信息量的期望。根据定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其熵值越小，指标的离散程度越大，该指标对综合评价的影响（权重）越大。

熵本源于热力学，后由香农（C.E.Shannon）引入信息论，根据熵的定义与原理，当系统可能处于几种不同状态，每种状态出现的概率为 $p_{i} (i=1,2,\cdots,m)$ ，则该系统的熵可定义为 $e = -\frac{1}{\ln n}\sum_{i = 1}^{m} p_{i} \ln p_{i}$ 。

熵权法是一种客观赋权方法。在具体使用过程中，熵权法根据各指标的变异程度，利用信息熵计算出各指标的熵权，从而的出较为客观的指标权重。

2、熵权法的基本步骤：

设有n个评价对象，m个评价指标变量，第i个评价对象关于第j个指标变量的取值为 $a_{ij} (i = 1,2,3,\cdots,n;j = 1,2,3,\cdots,m)$ ,构造数据矩阵 $A = (a_{ij})_{n\times m}$ 。

2.1 数据归一化

由于各项指标计量单位不统一，因此在计算综合权重前先要对他们进行归一化处理，即把指标的绝对值转化为相对值，并令 $x_{ij} = \left | x_{ij} \right |$ 。

不同的指标代表的含义不一样，有的指标越大越好，称为越大越优型指标。有的指标越小越好，称为越小越优型指标。而有些指标在某个点是最好的，成为某点最优型指标。

正向指标 $x_{ij} = 0.998\frac{x_{ij} - min\left \{ x_{1j},x_{2j},\cdots,x_{nj} \right \}}{max\left \{ x_{1j},x_{2j},\cdots,x_{nj} \right \} - min\left \{ x_{1j},x_{2j},\cdots,x_{nj} \right \}} + 0.002$

负向指标 $x_{ij} = 0.998\frac{max\left \{ x_{1j},x_{2j},\cdots,x_{nj} \right \} - x_{ij}}{max\left \{ x_{1j},x_{2j},\cdots,x_{nj} \right \} - min\left \{ x_{1j},x_{2j},\cdots,x_{nj} \right \}} + 0.002$

点 $x_{ij} = 1 - \frac{\left | x_{ij} - a \right |}{max\left \{ \left | x_{ij} - a \right | \right \}}$

4.2 计算指标变异性

利用原始数据矩阵 $A = (a_{ij})_{n\times m}$ ，计算第j项指标下第i方案指标值得比重 $p_{ij} (i = 1,2,3,\cdots,n;j = 1,2,3,\cdots,m)$ ：

$p_{ij} = \frac{x_{ij}}{\sum_{i = 1}^{n} x_{ij}}, i = 1,2,3,\cdots,n, j =1,2,3,\cdots,m.$

4.3 计算信息熵

计算第j项指标的信息熵值 $e_{j}$ :

$e_{j} = -\frac{1}{\ln n} \sum_{i = 1}^{n} p_{ij} \ln p_{ij}, j =1,2,3,\cdots,m.$

4.4 计算信息熵冗余度

计算第j项指标的信息熵冗余度 $g_{j}$ ： $g_{j} = 1 - e_{j}, j =1,2,3,\cdots,m.$

4.5 计算权重

计算第j项指标的权重：

$w_{j} = \frac{g_{j}}{\sum_{j = 1}^{m} g_{j}}, j =1,2,3,\cdots,m.$

4.6 计算得分

计算第i个评价对象的综合评价值：

$s_{i} = \sum_{i = 1}^{m} w_{j} p_{ij},i = 1,2,3,\cdots,n, j =1,2,3,\cdots,m.$

3、例题

3.1 判断下列同学的综合成绩排名

3.2 权重

熵权法
项	信息熵值e	信息效用值d	权重
语文（150）	0.88	0.12	0.108
英语（150）	0.884	0.116	0.104
物理（110）	0.52	0.48	0.43
生物（90）	0.898	0.102	0.091
化学（100）	0.884	0.116	0.104
数学（150）	0.818	0.182	0.163