常见的主观赋权法有：专家评判法和层次分析法；常见的客观赋权法有：粗糙集、变异系数法、相关系数法、熵值法和坎蒂雷赋权法。主观赋权法的弊端是过分依赖专家的意见；客观赋权法的弊端是过分依赖统计或数学的定量方法，而忽视了评价指标的主观定性分析。因此，比较科学的做法是将主观与客观结合起来，一般常用乘法或线性综合法。在进行综合评价的过程中权重的确定确实是很重要的，对最终的结果会起着决定性的影响。现在好像大多数
转载
2023-12-26 16:18:53
23阅读
目录一、概念1.1相关概念1.2原理 二、基于python的组合赋权法2.1 读取数据完整代码三、基于MATLAB的组合赋权法完整代码一、概念1.1相关概念主观赋权法（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
文章目录1.引入2.理解3.原理4.具体步骤4.1 指标的正向化（化成共性指标，即越大越好，以便后续的统一操作）4.2 标准化处理（平衡因为指标之间的差异或是量纲带来的误差）4.3 每个元素所占比重（比重之和为1，即对标准化后的矩阵归一化）4.4 计算每个指标的信息熵e（不确定度）4.5 计算权重4.6 计算综合得分 1.引入由于层次分析法的主观性太强，判断矩阵的确定依赖于专家（事实上比赛时都是
转载
2023-12-24 18:47:24
161阅读
多指标客观赋权重及熵权法的python实现背景熵权法理论背景及实现步骤结果预览完整代码熵权法优缺点引入专家权重背景手里有一张数据表，里面涵盖了上海市115个板块的交通，商业，教育，医疗，景观周游和生活娱乐共6个指标的得分，现在要根据这些指标给各板块的综合评分，某同事调侃按照高考成绩，把各指标数据加起来求一个总和当作综合得分得了。后来有同事提出用熵权法
原创
2022-04-11 10:12:55
980阅读
指标客观赋权重，熵权法python实现，优缺点
原创
2021-06-04 14:25:32
2132阅读
熵权法层次分析法是一种评价模型，当没有给出数据时，我们对不同的准则进行分析，最后求得每一种方案的评分，但是有很大的缺点，比如主观性太强、方案层不能过多。而Topsis优劣解距离法可以对已有数据进行分析，经过正向化、标准化、求距离、归一化后即可得到评分。但是Topsis有一个问题，就是默认每个指标的权重相同，所以也可以用层次分析法求出权重进行修正，由于层次分析法有很大不足，所以这里用熵权法对Tops
1. 求解一个优化问题的绝对最优解或者理论最优解只有一种方法：遍历法(也叫枚举法)，即计算他所有可能的解，然后找到最优的那个。这也是最直接也是最笨的方法。2. 但一般我们都不用遍历这种方法，因为对于稍微复杂一点的问题，它的计算量就可能需要计算机运行100年以上！3. 所以对于一些复杂的优化问题NP问题，我们会用遗传算法、粒子群算法、蚁群算法等智能优化算法来求解，因为智能算法可以大大减少计算量并得到
文章目录前言一、数据来源1.1 熵权法计算权重1.2 离差最大化法计算权重二、实现步骤2.1 计算两类权重的距离（欧式距离）2.2 计算两类权重的权重（偏好系数）2.3 计算综合权重与综合得分三、使用Excel实现3.1 计算两权重向量的距离3.2 计算两类权重的权重（偏好系数）3.3 计算各指标综合权重四、使用Python实现4.1 读取文件4.2 计算两类权重的距离4.3 计算各指标综合权重
# 博弈论赋权法及其Python实现
## 引言
博弈论是研究决策者之间相互影响与优化策略的一门科学，广泛应用于经济学、政治学及其他社会科学领域。随着计算机技术的发展，博弈论的研究也逐渐向实用化迈进，特别是在算法实现方面。本文将介绍博弈论中的一种赋权法，并给出Python的实现示例。
## 博弈论简单概述
博弈论主要研究在对抗性环境中，多个决策者（博弈参与者）如何选择策略以最大化自身利益。
写在前面：熵权法也属于一种综合评价方法，没有主观性，可与前面几篇文章提到的方法联合使用。目录一、熵权法概述1.1 信息论基础1.2 熵权法介绍二、熵权法赋权步骤2.1数据标准化2.2 求各指标在各方案下的比值2.3 求各指标的信息熵2.4 确定各指标的权重2.5 最后计算每个方案的综合评分三、熵权法应用实例3.1 背景介绍3.2 数据预处理3.3 计算第j个指标在第i个方案中所占比重3.4 求各指
在CDH大数据平台，在hue界面，给用户赋予hive表权限。当数据库中table太多，需要给用户看大量table权限，一个一个赋权太麻烦，而又不想让用户看到这个库全部table，这应该怎么做呢。使用hive视图可以解决这个问题。
转载
2023-05-27 23:20:05
178阅读
决策树是一个简单易用的机器学习算法，具有很好的实用性。在风险评估、数据分类、专家系统中都能见到决策树的身影。决策树其实是一系列的if-then规则的集合，它有可读性良好，分类速度快等优点。下面是用C4.5算法生成的决策树(未进行剪枝)，训练数据集：irisTrain.txt ，测试数据集：irisTest.txt 。全部数据集和代码下载地址：Codes & datasets 。#-*- c
TOPSIS法（优劣解距离法）\1. 构造计算评分的公式：(x-min)/(max-min)\2. 统一指标类型 转化为极大型 指标正向化极小型指标转换公式：max-x中间型指标区间型指标：\3. 正向化矩阵标准化\4. 计算得分并归一化：x-min/(max-x)+(x-min)\5. 带权重的TOPSIS
\6. 熵权法
代码：
%% 第一步：把数据复制到工作区，并将这个矩阵命名为X
% （1
数学建模算法--最优赋权法（含代码）作者：郑铿城本次介绍数学建模和科研写作的方法--最优赋权法最优赋权法经常用于分析评价类问题，从该算法的名称就可以看到，该算法首先要体现“最优”，其次，该算法是用于计算各个指标所对应的权重，也就是一个“赋权”的过程。通过知网搜索“最优赋权法”的相关文章，发现国外的研究多于国内： 国内的最优组合赋权法在2020年还没有发表过相关论文，其他年份也较少，最优
转载
2023-10-20 08:01:37
30阅读
TOPSIS算法英文全称Technique for Order Preference by Similarity to Ideal Solution，翻译为逼近理想解排序法。使用层次分析法进行评价时，n不能很大，最多就15个，再多就没有随机一致性指标RI的值了。当评价的对象比较多的时候，我们可以利用数据信息进行评价。基本过程为先将原始数据矩阵统一指标类型（一般正向化处理）得到正向化的矩阵，再对正向
补一下上次文章的坑,有关标准化和归一化的问题.标准化:(X-E(x))/D(x) 归一化: (X-min)/(max-min)两个的具体差别我的感受不是特别深刻,用的比较多的是归一化.from sklearn.preprocessing import MinMaxScaler
mm = MinMaxScaler()
mm_data = mm.fit_transform(X)
origin_data
转载
2023-09-05 08:09:37
62阅读
一、模型引出1、问题的提出根据前几篇文章我们知道，评价决策类的模型最后需要根据各个指标的重要程度进行加权，而之前的层次分析法和TOPSIS法的权重都是我们主观得到的，那有没有更为客观的方法呢？那我们接着引入之前的例题。二、基本原理 1、基本概念这里呢我们引入信息熵的概念，如果大家学过物理，就会知道熵代表着系统的紊乱程度，那如果按照信息论基本原理的解释，信息就是系统有序程度的度量，而熵呢是
1 内容介绍TOPSIS法用于研究评价对象与‘理想解’的距离情况，结合‘理想解’（正理想解和负理想解），计算得到最终接近程度C值。熵权TOPSIS法核心在于TOPSIS，但在计算数据时，首先会利用熵值计算得到各评价指标的权重，并且将评价指标数据与权重相乘，得到新的数据，利用新数据进行TOPSIS法研究。通俗地讲，熵权TOPSIS法是先使用熵权法得到新数据newdata（数据成熵权法计算得到的权重）
转载
2023-12-07 19:40:00
165阅读
熵权法有啥用？可利用信息熵这个工具，计算出各个指标的权重，为多指标综合评价提供依据。 下面的实战中，最终计算的熵权结果为，C语言课程成绩权重占0.99，剩下的两门课成绩权重几乎为0，很好理解，因为体育和数据库大家的分都普遍偏高，体现不出来设么东西。什么是熵熵权如何计算实战示例一、计算每一列的总和二、每一个数据更新为除以总和后的值，即Pij三、计算ln(Pij)四、得到熵值Hi如果存在0的话，可以通
一.什么是信息熵？在物理学中，熵是系统的混乱程度的度量。而信息熵可以理解为信息系统混乱程度(或者不确定性)的度量，信息熵越大，该系统原有的信息量就越少，确定该系统的模样所需的信息量就越大。我们可以从世界杯来看，32支球队，每个队伍夺冠的概率如果是一样的，那么确定冠军所需的信息量肯定是最大的（因为此时你什么信息都没有掌握）信息量与随机变量的概率有关，随机变量取某个值时，其概率越大，越有可能发生，原有
