1. 综合评价模型的基础认知
第一次接触综合评价问题时,很多朋友会被各种专业术语绕晕。简单来说,综合评价就是给多个方案打分排名的过程。比如公司要采购设备,有价格、耗电量、使用寿命等不同指标,怎么选出综合最优的方案?这就是TOPSIS要解决的问题。
TOPSIS全称Technique for Order Preference by Similarity to Ideal Solution,直译过来叫"逼近理想解排序法"。它的核心思想很直观:找到每个指标的最优值(理想解)和最差值(负理想解),然后计算每个方案与这两个参考点的距离,最后通过距离比值得到评分。就像在坐标系里找离"学霸"最近、离"学渣"最远的那个点。
但这里有个关键问题:不同指标的重要性可能不同。比如买手机时,CPU性能的权重可能比外观颜色更高。传统方法常用层次分析法(AHP)确定权重,但主观性太强。这时候就需要熵权法登场了——它完全基于数据本身的离散程度来计算权重,就像用数据自己"说话"。
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. 数据预处理的关键步骤
2.1 指标正向化处理
实际数据中常会遇到四种指标类型:
- 极大型指标:数值越大越好(如考试成绩)
- 极小型指标:数值越小越好(如故障率)
- 中间型指标:越接近某个值越好(如PH值)
- 区间型指标:落在特定范围最好(如体温)
正向化就是把所有指标统一转换为极大型。这里分享几个实测好用的MATLAB函数:
matlab复制% 极小型转极大型
function posit_x = Min2Max(x)
posit_x = max(x) - x;
% 如果x全为正数,也可用1./x转换
end
% 中间型转极大型(best为最优值)
function posit_x = Mid2Max(x,best)
M = max(abs(x-best));
posit_x = 1 - abs(x-best)/M;
end
2.2 标准化处理
消除量纲影响就像把不同货币换算成美元。最常用的向量归一化方法:
matlab复制Z = X ./ repmat(sum(X.*X).^0.5, n, 1);
这个操作相当于把每个指标都压缩到0-1范围,就像把身高从"厘米"
