有效的网站建设,旅游网站开发背景意义,怎么注册网络域名,网络营销系统推广方案目录
1.简介
2.算法原理
2.1 指标正向化
2.2 数据标准化
2.3 计算主观权重
2.4 计算客观权重
2.5 计算组合权重
2.6 计算的得分
3.实例分析
3.1 读取数据
3.2 指标正向化
3.3 数据范围标准化
3.4 计算主观权重
3.5 计算客观权重
3.6 计算组合权重
3.7 计算得分…目录
1.简介
2.算法原理
2.1 指标正向化
2.2 数据标准化
2.3 计算主观权重
2.4 计算客观权重
2.5 计算组合权重
2.6 计算的得分
3.实例分析
3.1 读取数据
3.2 指标正向化
3.3 数据范围标准化
3.4 计算主观权重
3.5 计算客观权重
3.6 计算组合权重
3.7 计算得分
完整代码 1.简介 主观赋权法AHP在根据决策者意图确定权重方面比客观赋权法熵权法具有更大的优势但客观性相对较差主观性相对较强 而采用客观赋权法有着客观优势但不能反映出参与决策者对不同指标重视程度并且会有一定的权重和与实际指标相反的程度。 针对主客观赋权方法的优缺点我们还力求将主观随机性控制在一定范围内实现主客观赋权中的中正。客观方面。指标赋权公正实现了主客观内在统一评价结果真实、科学、可信。 因此在对指标进行权重分配时应考虑指标数据之间的内在统计规律和权威值。给出了合理的决策指标赋权方法即采用主观赋权法AHP和客观赋权法熵权法相结合的组合赋权方法以弥补单一赋权带来的不足。将两种赋权方法相结合的加权方法称为组合赋权法。
注意本文所介绍的组合权重法请大家结合实际情况慎重使用因为这个方法不太好
2.算法原理
2.1 指标正向化
这个步骤视情况自己决定把。。。。 不同的指标代表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称为某点最优型指标。为方便评价应把所有指标转化成越大越优型指标。
设有m个待评对象n个评价指标可以构成数据矩阵 设数据矩阵内元素经过指标正向化处理过后的元素为 (Xij) 越小越优型指标C,D属于此类指标 其他处理方法也可只要指标性质不变即可 某点最优型指标E属于此类指标 设最优点为a, 当a90时E最优。 其他处理方法也可只要指标性质不变即可 越大越优型指标其余所有指标属于此类指标 此类指标可以不用处理想要处理也可只要指标性质不变
2.2 数据标准化 因为每个指标的数量级不一样需要把它们化到同一个范围内再比较。标准化的方法比较多这里仅用最大最小值标准化方法。 设标准化后的数据矩阵元素为rij,由上可得指标正向化后数据矩阵元素为 (Xij) 2.3 计算主观权重
得到最大特征值对应特征向量得到权重向量2.4 计算客观权重
计算信息熵得到权重2.5 计算组合权重
主客观组合权重是指标的综合权数 Wj αj——层次分析法计算所得的权重 βj ——熵值法计算所得权重
层次分析法熵值法
2.6 计算的得分 3.实例分析
3.1 读取数据
data pd.read_excel(D:\桌面\zuhefuquan.xlsx)
# print(data)
label_needdata.keys()[1:]#提取变量名
# print(label_need)
data1data[label_need].values #只提取数据
print(data1)
返回 3.2 指标正向化
本实例中P1、P3属于此类指标
因此负向指标正向化
#越小越优指标位置,注意python是从0开始计数对应位置也要相应减1
data2 data1
index[1,3]
for i in range(0,len(index)):data2[:,index[i]]max(data1[:,index[i]])-data1[:,index[i]]
print(data2)
返回 在对剩余正向指标数据可以不做处理
3.3 数据范围标准化
为什么不做01的标准化呢因为一标准化有不少数据变成了0对结果起到副作用
#0.002~1区间归一化
[m,n]data2.shape #查看行数和列数
data3data2
ymin0.002
ymax1
for j in range(0,n):d_maxmax(data2[:,j])d_minmin(data2[:,j])data3[:,j](ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)ymin
print(data3)
返回 3.4 计算主观权重
#求特征值和特征向量
V,D np.linalg.eig(data3)
# print(特征值)
# print(V)
# print(特征向量)
# print(D)
#最大特征值
tzz np.max(V)
# print(tzz)
#最大特征向量
k[i for i in range(len(V)) if V[i] np.max(V)]
tzx -D[:,k]
# print(tzx)
# #赋权重
quannp.zeros((n,1))
for i in range(0,n):quan[i]tzx[i]/np.sum(tzx)
aquan.T
print(a)
返回 3.5 计算客观权重
#计算信息熵
pdata3
for j in range(0,n):p[:,j]data3[:,j]/sum(data3[:,j])
# print(p)
Edata3[0,:]
for j in range(0,n):E[j]-1/np.log(m)*sum(p[:,j]*np.log(p[:,j]))
# print(E)
# 计算权重
b(1-E)/sum(1-E)
print(b)
返回 3.6 计算组合权重
#计算组合权重
wb
sum0
for i in range(n):sum sum np.sqrt(a[i]*b[i])
# print(sum)
for i in range(n):w[i] np.sqrt(a[i]*b[i])/sum
print(w)
返回 3.7 计算得分
#计算得分
snp.dot(data3,w)
Score100*s/max(s)
for i in range(0,len(Score)):print(f方案{i}百分制评分为{Score[i]})
返回 完整代码
#导入相关库
import pandas as pd
import numpy as np
#读取数据
data pd.read_excel(D:\桌面\zuhefuquan.xlsx)
# print(data)
label_needdata.keys()[1:]#提取变量名
# print(label_need)
data1data[label_need].values #只提取数据
print(data1)#越小越优指标位置,注意python是从0开始计数对应位置也要相应减1
data2 data1
index[1,3]
for i in range(0,len(index)):data2[:,index[i]]max(data1[:,index[i]])-data1[:,index[i]]
print(data2)#0.002~1区间归一化
[m,n]data2.shape #查看行数和列数
data3data2
ymin0.002
ymax1
for j in range(0,n):d_maxmax(data2[:,j])d_minmin(data2[:,j])data3[:,j](ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)ymin
print(data3)#求特征值和特征向量
V,D np.linalg.eig(data3)
# print(特征值)
# print(V)
# print(特征向量)
# print(D)
#最大特征值
tzz np.max(V)
# print(tzz)
#最大特征向量
k[i for i in range(len(V)) if V[i] np.max(V)]
tzx -D[:,k]
# print(tzx)
# #赋权重
quannp.zeros((n,1))
for i in range(0,n):quan[i]tzx[i]/np.sum(tzx)
aquan.T
print(a)#计算信息熵
pdata3
for j in range(0,n):p[:,j]data3[:,j]/sum(data3[:,j])
# print(p)
Edata3[0,:]
for j in range(0,n):E[j]-1/np.log(m)*sum(p[:,j]*np.log(p[:,j]))
# print(E)
# 计算权重
b(1-E)/sum(1-E)
print(b)#计算组合权重
wb
sum0
for i in range(n):sum sum np.sqrt(a[i]*b[i])
# print(sum)
for i in range(n):w[i] np.sqrt(a[i]*b[i])/sum
print(w)#计算得分
snp.dot(data3,w)
Score100*s/max(s)
for i in range(0,len(Score)):print(f方案{i}百分制评分为{Score[i]})
