最近学习了评估模型（如下所示），对这四种方法进行小总结。

目录

1. 层次分析法。（主观赋权方法，主观确定成对比较矩阵）

2. 熵权法（基于数据的客观赋权的方法）

3. topsis方法（理想解法）

4. CRITIC方法（数据驱动）

---

1. 层次分析法。（主观赋权方法，主观确定成对比较矩阵）

主要方法：构建成对比较矩阵。

具体来说：

1. 图中的方法，需要在准则层构建一个4*4的矩阵；需要在方案层构建4个3*3的矩阵。

2. 特征值分解计算，此处n=3，为样本数。

3. 查表得到RI，计算出CR值，当CR值超过0.1时，就可以认为这个矩阵是不合理的，需要被修改、被调整。得到一致性检验结果。

4. 对最大特征向量进行归一化，得到各个指标中的各个方案（样本的权重），以及各个指标的权重，最后相乘得到总的权重。

2. 熵权法（基于数据的客观赋权的方法）

1. 数据规约。把所有的类型的数据转化为正向型数据，也就是越大越好的类型的。极小型指标可以取相反数或者倒数；中值型指标进行规约。

2. 在矩阵中（m个事物n个评价指标），对同一个指标中的不同的样本进行归一化（其实就是列归一化，因为指标是列）。这里实际上是对数据进行了min-max规约，将所有数据点映射到[0,1]区间内。

# 也可以直接这样归一化（也就是把开始的正向指标都转化为概率了，对应与下面的pij） P = data / data.sum(axis=0)

3. 计算每个指标（j in range n）的熵值。

4. 权重定义为：，这是因为信息熵越小，离散程度越大，因子对综合评价的权重就越大。其实就是按照(1-熵)作为权重的依据，进行了归一化变成了概率而已。

3. topsis方法（理想解法）

主要思想：在TOPSIS分析法中，我们通过计算每个方案离理想解和负理想解的距离来判断优劣。

具体来说：

1. 对原始数据进行指标正向化和归一化操作得到矩阵Z

2. 计算正理想解和负理想解。例如正理想解，就是在全部的指标中找到最大值，构成理想解。

3. 计算距离，对任意的对象i，得到正理想解和负理想解的欧几里得距离和（也可以选择其他的距离方法）

4. 计算与正理想解的相似度，也就是，相似度越大，说明距离正理想解跃近，就越优先选择。

4. CRITIC方法（数据驱动）

主要思想：1.指标内部的数据本身的波动性越大，那么权重越大（类似与熵权法） 2. 指标与其他指标数据的冲突性越大，权重越大

1. 对指标进行无量纲化和正向化处理

2. 计算指标的标准差Sj

3. 计算指标的冲突性，也就是。rij是指标i和指标j之间相关系数。

4. 信息量Cj=Sj*Rj，对信息量进行归一化，得到权重。