扶余城里小老二1. 评价模型入门：为什么我们需要AHP、熵权法和TOPSIS？
当你面临多个选择方案，每个方案又有多个评价指标时，如何做出科学决策？比如选择投资项目（考虑回报率、风险、周期），挑选供应商（比较价格、质量、交货期），甚至规划旅行目的地（权衡费用、景点、交通）。这类多指标决策问题就像在超市面对十几种牛奶：脂肪含量、蛋白质、价格、保质期...看得人眼花缭乱。
这时候就需要评价模型出场了。我经手过的项目里，最经典的"三剑客"组合就是：
- 层次分析法(AHP)：像老专家一样，通过两两比较给出主观权重
- 熵权法：像精算师，从数据波动中提取客观权重
- TOPSIS：像GPS导航，计算每个方案与理想解的接近程度
三者的关系好比做菜：AHP决定盐糖比例（权重），熵权法校准调料用量（修正权重），TOPSIS负责最终摆盘（排序）。下面这个对比表能帮你快速抓住重点：
| 模型 | 权重来源 | 适用场景 | 典型应用 |
|---|---|---|---|
| AHP | 主观判断 | 指标较少且可量化性差 | 战略决策、方案预选 |
| 熵权法 | 数据本身 | 有足够历史数据支撑 | 绩效评估、风险预警 |
| TOPSIS | 距离计算 | 需要充分利用原始数据信息 | 竞品分析、资源分配 |
最近帮一家电商做供应商评估时，我们就先用AHP初筛出20%的关键指标，再用熵权法调整权重，最后用TOPSIS对50家供应商排序。结果比单纯用专家打分准确率提升了37%，特别是发现了两家性价比异常的"隐形冠军"。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 层次分析法(AHP)实战：像专家一样思考
2.1 从选择困难到决策矩阵
AHP的核心思想很人性化——当面对复杂选择时，我们本能地会两两比较。就像选手机时，会先纠结"拍照比续航重要多少"，"价格比品牌重要多少"。把这些比较量化，就是判断矩阵。
假设我们要评估三个投资项目，考虑四个指标：
- 预期收益（万元）
- 风险等级（1-10分）
- 实施周期（月）
- 战略契合度（1-5分）
构建判断矩阵时，我用这个经验法则：
- 1：同等重要
- 3：稍微重要
- 5：明显重要
- 7：强烈重要
- 9：极端重要
比如收益vs风险的矩阵可能是：
python复制import numpy as np
# 收益/风险/周期/战略
judgment_matrix = np.array([
[1, 5, 3, 7], # 收益比风险重要5倍
[1/5, 1, 1/3, 3],
[1/3, 3, 1, 5],
[1/7, 1/3, 1/5, 1]
])
2.2 一致性检验：别让逻辑"打架"
新手常犯的错误是出现矛盾判断，比如：
- 认为收益 > 风险
- 风险 > 周期
- 却又觉得周期 > 收益
这就形成了逻辑环。AHP用一致性比率(CR)来检测这种问题：
python复制def consistency_check(matrix):
eigenvalues = np.linalg.eigvals(matrix)
max_eigenvalue = max(eige