接做网站的私活怎么报价,保定网站优化哪家好,做销售网站要多少钱,江门建网站1. 加权平均中的权重计算#xff08;已知权重值#xff09; 如果已知各元素的权重#xff0c;直接用权重乘以对应值后求和。 # 示例#xff1a;计算加权平均分#xff08;权重之和为1#xff09;
scores [80, 90, 70] # 各项分数
weights [0.3, 0.5, 0.2] # 对应权重…
1. 加权平均中的权重计算已知权重值 如果已知各元素的权重直接用权重乘以对应值后求和。 # 示例计算加权平均分权重之和为1
scores [80, 90, 70] # 各项分数
weights [0.3, 0.5, 0.2] # 对应权重 # 方法1循环计算
weighted_sum 0
for s, w in zip(scores, weights): weighted_sum s * w
print(f加权平均分{weighted_sum}) # 结果82.0 # 方法2用numpy简化适合大量数据
import numpy as np
print(np.dot(scores, weights)) # 结果82.0 2. 特征权重机器学习场景 通过模型自动计算特征的重要性如决策树、线性回归。 from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_diabetes # 加载数据
data load_diabetes()
X, y data.data, data.target # 训练线性回归模型系数即特征权重
model LinearRegression()
model.fit(X, y) # 输出各特征的权重
print(特征权重, model.coef_) 3. 层次分析法AHP计算权重 用于多准则决策中通过判断矩阵计算权重。 import numpy as np def ahp_weight(matrix): 根据判断矩阵计算权重特征值法 eigenvalues, eigenvectors np.linalg.eig(matrix) max_idx np.argmax(eigenvalues) max_eigen eigenvalues[max_idx].real # 归一化特征向量得到权重 weights eigenvectors[:, max_idx].real return weights / np.sum(weights) # 示例判断矩阵3个元素的相对重要性
judge_matrix np.array([ [1, 2, 3], [1/2, 1, 2], [1/3, 1/2, 1]
]) print(AHP权重, ahp_weight(judge_matrix)) # 结果约为 [0.5396, 0.3090, 0.1514] - 简单加权计算直接用元素×权重求和适合已知权重。
- 模型权重调用sklearn等库的模型通过 coef_ 或 feature_importances_ 获取。
- 决策权重用层次分析法AHP或熵权法等根据判断矩阵/数据分布计算。 根据具体需求选择对应的方法即可。
