[人工智能] 综合评价体系之熵权法

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 综合评价体系之熵权法 -> 正文阅读

[人工智能]综合评价体系之熵权法

（一）建模目的：

? ?如何客观又合理地评价一部电影的受欢迎度呢？生活中有很多这样的场景，仅有个别人的看法，显然不能如实地反映这部电影的受欢迎度，通过抽样的方法，选取合理的指标建立评价模型，最终取得一个得分来相对评价电影的受欢迎度。

（二）熵权法的原理：

? 熵衡量着系统的混乱程度，可以拿来衡量信息的多少。指标的变异程度越小，所反映的现有信息量越少，其对应的权重也越低。也就是说，熵权法是使用指标内部所包含的信息量，来确定该指标在所有指标之中的地位。

（三）基本步骤：

?1)数据标准化处理

对原始矩阵 $X=x_{ij}\left ( m\times n \right )$ 进行标准化：

?2）信息熵的计算

(1)计算第 $j$ 项指标在第i年的数值占该指标比重（ $p_{ij}$ ）：

?(2)计算第j项指标熵值（ $E_{j}$ ）,当 $P_{ij}=0$ 时， $P_{ij}\ln P_{ij}=0$ ,

3）权重的计算

计算第j项指标的变异系数（ $G_{j}$ ）和权重（ $W_{j}$ ）：

$G_{j}=1-E_{j} ;W_{j}=\frac{G_{j}}{\sum_{j=1}^{n}G_{j}},(j=1,2,..,n)$

4）计算TOPSIS中的优劣距离和综合评价得分

(1)由标准化矩阵和各指标权重可得加权标准化矩阵： $Z_{ij}=W_{j}\times Y_{ij}$

(2)计算正负理想解： $I_{j}^{+}=max(z_{1j},z_{2j},...,z_{mj}),I_{j}^{-}=min(z_{1j},z_{2j},...,z_{mj})$

(3)计算正负理想解的欧式距离：

? ? ? $d_{i}^{+}=\sqrt {\sum_{j=1}^{n}(i_{j}^{+}-z_{ij})^2}, d_{i}^{-}=\sqrt{\sum_{j=1}^{n}(i_{j}^{-}-z_{ij})^2}$

(4)计算综合评价值：

? ? ? $c_{i}= \frac{d_{i}^{-}}{d_{i}^{+}+d_{i}^{-}}$

(三) 具体实际应用

(1)学习正向指标和负向指标在实际场合的应用。一般来说，从数学的角度，通过相关矩阵正相关关系为正向指标，负相关关系为负向指标，当然并不是绝对的；从实际生活的角度，一个变量的增大导致最终因变量的增大，如在现实生活中，我们通常认为，一个学生的期末成绩通常与作业的完成质量，期中成绩，课堂的出勤率及参与度有正相关，与缺勤率呈负相关。实际应用中，应具体结合数据和实际意义来确定正向指标和负向指标。?

(2)理解字符串的筛选

? ?i == str(f'X{j}负')

import pandas as pd
import numpy as np
data=pd.read_excel("data.xlsx", sheet_name=0,header=0,index_col=0) #读取数据
m,n=data.shape  #获取行数m和列数n
#熵权法计算
def Y_ij(data1):   #矩阵标准化(min-max标准化)
    for i in data1.columns:
       for j in range(n+1):
           if i == str(f'X{j}负'):  #负向指标
               data1[i]=(np.max(data1[i])-data1[i])/(np.max(data1[i])-np.min(data1[i]))
           else:   #正向指标
               data1[i]=(data1[i]-np.min(data1[i]))/(np.max(data1[i])-np.min(data1[i]))
    return data1
Y_ij=Y_ij(data)  #标准化矩阵
None_ij = [[None] * n for i in range(m)]  #新建空矩阵
def E_j(data3):  #计算熵值
    data3 = np.array(data3)
    E = np.array(None_ij)
    for i in range(m):
        for j in range(n):
            if data3[i][j] == 0:
                e_ij = 0.0
            else:
                P_ij = data3[i][j] / data3.sum(axis=0)[j]  #计算比重
                e_ij = (-1 / np.log(m)) * P_ij * np.log(P_ij)
            E[i][j] = e_ij
    E_j=E.sum(axis=0)
    return E_j
E_j = E_j(Y_ij)  #熵值
G_j = 1 - E_j    #计算差异系数
W_j = G_j / sum(G_j)   #计算权重
WW= pd.Series(W_j, index=data.columns, name='指标权重')
#print(WW)
Y_ij.to_excel("Y_ij.xls",sheet_name='Y_ij')
WW.to_excel("WW.xls",sheet_name='WW')

#TOPSIS计算
Y_ij = np.array(Y_ij)  #Y_ij为标准化矩阵
Z_ij = np.array(None_ij)  #空矩阵
for i in range(m):
    for j in range(n):
        Z_ij[i][j]=Y_ij[i][j]*W_j[j]  #计算加权标准化矩阵Z_ij
Imax_j=Z_ij.max(axis=0)  #最优解
Imin_j=Z_ij.min(axis=0)  #最劣解
Dmax_ij = np.array(None_ij)
Dmin_ij = np.array(None_ij)
for i in range(m):
    for j in range(n):
        Dmax_ij[i][j] = (Imax_j[j] - Z_ij[i][j]) ** 2
        Dmin_ij[i][j] = (Imin_j[j] - Z_ij[i][j]) ** 2
Dmax_i=Dmax_ij.sum(axis=1)**0.5  #最优解欧氏距离
Dmin_i=Dmin_ij.sum(axis=1)**0.5  #最劣解欧氏距离
C_i=Dmin_i/(Dmax_i+Dmin_i)  #综合评价值
Dmax_i= pd.Series(Dmax_i, index=data.index, name='最优解')
Dmin_i= pd.Series(Dmin_i, index=data.index, name='最劣解')
C_i= pd.Series(C_i, index=data.index, name='综合评价值')
pd.concat([Dmax_i, Dmin_i, C_i]).to_excel("C_i.xls")

（四）与其他综合评价的区别：

层次分析法：与之相比，较强的主观性；判断矩阵基本由个人填写，往往最适用没有数据的情况。在确定各层次各因素之间的权重时，如果只是定性的结果，单个个体的想法（我认为有70%的可能），则常常不容易被别人接受，因此Santy等人提出了一致矩阵法，即：

不把所有因素放在一起比较，而是两两比较；
对此时采用相对尺度，以尽可能减少性质不同的诸因素相互比较的困难，以提高准确性；

成对比较矩阵是表示本层所有因素针对上一层某一个因素(准侧或目标)的相对重要性的比较。成对比较矩阵的元素?? $a_{ij}$ ?表示的是第? $i$ 个因素相对于第 $j$ ??个因素的比较结果，这个值使用的是Santy的1-9标度方法给出。

标度	含义
1	表示两个因素相比，具有同样重要性
3	表示两个因素相比，一个因素比另一个因素稍微重要
5	表示两个因素相比，一个因素比另一个因素明显重要
7	表示两个因素相比，一个因素比另一个因素强烈重要
9	表示两个因素相比，一个因素比另一个因素极端重要
2，4，6，8	上述两相邻判断的中值
倒数	因素i与j相比的判断aij,则因素j与i比较的判断aji=1/aij