critic法权重测算过程

ok， 大家好，呃，那么前面我们讲的基于变异系数的这个加权 topsis 方法，那么，呃我们现在呢？呃，再在前面的方法的记住它，再将它再复杂化一点啊，因为我们前面已经说了 topsis 他想是一个非常简单的一个综合评价方法，但是 我们的目标目标是让这个简单的方法通过简单的修改能够上的了台面，也就是说你将其应用在数学阶段比赛的时候，他不会被别人认为说这个方法太简单了，对吧？那么我们前面已经通过变细数对其进行了一些， 呃，应该说是一个加强过程进行一个完善吧。就是说，呃，原本你假设每一个数据他的一个影响都是一致的，那么现在我们将其变 成了一个说每个数据都会有一个对应的权重，并且这个权重是客观负权的啊，你不用怎么去解释说你这个群众是什么来的，因为他就是客观上出来的啊。那么 这里我们进一步的讲一下这这个盔体的方法。呃，对，如果看过上一集的，呃，对，首先大家，呃如果没有看过之前的视频的的同学，可以先看一下之前的视频去呃，了解一下 top 写字方法是怎么来的。 呃，然后看过上一集的视频同学们应该也应知道说，哎，我上一集在讲代文书，我突然发现说，喂，我怎么 还写李超载吗？对，然后当时这样我还不知道说我是准备讲这这个盔体的方法的，所以忘了，那么这里我就给他补上了， ok 啊， ok， 这里扯远了。那么，呃，我们我们来讲一下这个盔体方法，他是一个客观附权方法，他是让他就是 融合了之前的变异系数以及这个以及现在的一个指标值，以及些相关性的一些想法。简单来说，如简单来说就是 呃变细数，他克燃的是一个数据的波动性，如果你这个数据波动性越大，那么说明你这个数据对最终的一个影响应该是得越大。如果你这个数据的波动性非常小的时候， 呃，你这个数据在各个，比如说在各个城市之间的一个变化是很小的，每一个城市你这个数据比数都是一百，那么你先没必要比较，因为大家都是一百嘛，对吧？然后如果你是 呃这个数据波动性非常大，那么这个时候我们会给予一个更大的一个权重啊，这个是变系数的一个想法，然后呃指标之间的冲突 信，他的想法就是说如果你这个数据啊，他与其他数据是有很强的相挂性，那么说明你这个数据实际上呃是可以他蕴含的一些信息上是由可以有其他数据表示出来，那么这个说你这个数据其上重要性就没那么大了，你赋予一个比较小的权重， 呃，好，那么对于呃在变，在这个 critic 方法里面啊，它的一个呃波动型，它就又介于这个呃， 它就由这个标准差距进行一个刻画，呃，不好意思，这里写错了，这里应该是 标准差，对，然后呢，它的一个冲突性的一个客量指标的话，是 它的冲突性的一个客量指标的话，是这个这样的一个式子，然后它表示的是说， 呃，然后它里面每一块的话是一个一减 r i j， 然后这个 i j 是怎么算的呢？ i j 相思表示第 i 行和对不对第 i 个数据和第这个数据之间的一个相关性， 然后呢可以看到说就是如果，比如说呃如果其他数据和这个 j 的一个相关性非常的大的话，那么这个纸箱会变变小，对吧？ 然后最终他的一个呃，最终的话你可以算出这样的一个值，就这两个详程得到一个权重，然后最后因为又因为你要去进行一个呃合规划，就是说 你再将这个只需除以其他数据啊加起来他的一个和，然后最后得到一个加起来为一的这样的一个权重 啊，那么这个就是 creaty 方法，它的一个权重计算方法。然后呢呃基于这个方法，你计算出那个权重，大概套入这个我们之前给出的这个 套不起式方法，那个加权的那么一个框架，也就是说在把那个欧式距离改成这个加权欧式居，那么这个这个时候呢，我们就可以实现这个基于 crete 的这个呃加权套不起式方法，哎，那么你会发现这种方法总体来说还是呃即便每一副不 都非常的简单，但是泰山它还是复杂了不少的，所以呢你是呃可以直接用在数学建模金厦里面的，就是以后你如果用到一些呃综合评价物体上都是非常值得去使用的，而且实现也非常的简单。 ok， 我们接下来简单看一下这个代码啊，首先你的一个输入一个数据举证，那么接下来呢？ a， 呃先求一个这个呃这个 标准差，然后接下来呢去算一下第一里面它的一个相关系数 啊，周围这个 r 的表示呢，就是这个 r 的里面的 r n g， 它将它表示就是 d i 行和 d j 列为第挨个数据和 d 这个数据执行的一个相关性的一个相关系数，然后呢接下来呢 去呃，去求以我们那个冲突性的一个客单指调，也就是这里的这个数。 ok， 然后最后呢在呃和这里计算后面的这一部分， ok， 你也发现这个呃计算群众相也非常简单，也就短短的无含贷嘛，对吧？那么嗯嗯，暴露这个之前的这个 publish 框架啊，这个相就非常像啊，就跟我们上一个， 呃，就相比于我们上一个代码，你现在只需要修改一下这个部分啊，对，修改这个部分，然后就可以进行一个计算了啊，当然你 前面肯定还是要去进行一个数据的真相化以及这个数据规划的。 ok， 那我们预算结果啊， ok， 以上就是 我们给出一个结果啊，当然你会发现就是呃不同的评加方法下的话，它的呃最好枪都是第三个哈， ok， 那么这就是一个综合评价方法啊，那么一个非常简单综合评价方法啊，那么可以应用在就是常见的数学结模里面的那个呃评价问题中。

权重计算方法商执法导入数据选择分析方法商执法商执法的计算过程要求数值中不能存在零或负数。 so 提供了非富平易功能，将指标项放入分析框里，勾选非富平宜综合得分，点击开始分析， 一键得出分析结果。商执法计算权重结果汇总，可是话输出支持多种图形展示。智能分析与分析建议让你更懂数据分析，你学会了吗？

大家好，这一次的内容是我们的桑植法，首先就用我们的 suv 系统桑植法，在这个综合评价里面桑植法，那么首先来看一下这个桑植法的一些基本的原理， 那么桑植法呢，它其实是物理学的一个概念啊，首先来看这个桑植啊，它是一个衡量我们的这个信息量的一个指标，其实是一种度量，一种不确定性。 那当然呢，从原理上说，这个不确定性越大，你其实给他的权重应该是越小的，那么不确定性越小啊，那么你给他的权重应该是越大的，那么这是商志法的一个原理啊。那么哦，呃，给一个我们的这个比较形象的一个例子啊，星星亮 越大呢，不确定性其实就是越小，不越小呢，他的这个啊，伤值也越小，那就是说伤值越小的时候呢，他的信心量越大。咱们看一下一个例子啊，同样都是沙子，对吧？这是这个海滩里边的沙子，这个的伤子其实就很大，他的信息量就很小，那么不确定性呢？ 嗯，也是很大的。而反之呢，这个其实也是沙子，但是他内内内层的这种，这有点这个物体装饰性的啊，相当于这个改造过的吧，他的这一个桑植其实是很小的，那么他的这一个 不确定性呢，也是很小的，那么他的这个涵盖的信心量是很大的，所以说呢，这一种呢，应该给他赋予更高的权重，而左边这个图应该给他赋予更小的权重。而至于这个伤值大小的这个估算啊，其实就是物理学 里边的一种计算公式而已，他的原理就是利用了这这个可以衡量这种信息的这个不不确定性大小的一种 适合物理学的一种公式，最终来计算出我们的这种权重啊，利用了既用了物理学上的这种啊不确定性的计算公式，然后呢来帮助于我们其他的这种学科计算啊，权重的一种方法而已，这种就叫做我们的商志法。 那么三指法的这一个应用上啊，他一般就是计算我们的这种权重，而我们而且实际的应用中啊，我们来看一个实际的应用的例子啊，实际的应用例子啊，比如说 啊，你要计算这种构建这种权重体系的时候啊，通常呢有一级指标啊，一级指标呢，上面有分的什么维度？一二三四五六七，对吧？ 啊？然后呢又有二级指标，因为一级指标对应着有四个题，或者是四项，对吧？四个指标项二，唯独二又对应了几个啊？指标项， 那么这种一级指标类，一般他使用的时候他是一种概括性的，那么概括性的这种呢，计算权重啊，很可能用到我们这个其他的，比如说 hp 乘字法，就是专家打分，对吧？相对重要性 维度一二三四五六七七个维度之间的重要性相对大小怎么样啊？最后算出一个权重者，也或者是说你要其他的数据，你可以用这种主成分或者因子分析法啊，得到七个维度综合起来分别的权重啊，你比如说这七个维度分别的这个权重是不是能得到？那， 那下面的这个维度，下面他下属的时候，他还有具体的题项，对吧？具体的这个小的指标项，那么小的指标项呢，很多时候就可以用 这种桑植法来进行计算啊，比如说这四个合在一起啊，啊，做一次桑植法，得到分别四个的这个啊，群众，因为他可以得到出啊四个题，或者是四个指标相按他的这种相对群众大小来构造， 构造完之后你要得到这种权重体系啊，那就大的这个一级指标呈上这个二级指标的权重，就得到最终的这一个加权后的这个权重体系啊，比如说十八点一八乘以二十三点八零啊，得到是百分之四点三三，最终呢得到我们的这一个啊，我们的这种全军全 权重体系的构造。当然你一级指标可以用这种，比如说 hp 专家打分的这种方法来算权重，那么二级指标其实也可以，但是为什么很少这么重呢？因为原因是在于说这个专家呀，他的数量其实 是很有限的。专家嘛，因为他的权威性很强，你找很难找到那么多专家，一般专家只针对于这种大的这种维度帮你打分就可以了，小的这种细节指标需要你自己去收集数据，然后 后来来自己计算啊，所以说呢，会导致说，哎，这个桑植法呢，他有自己的应用场景，就是可以 实际性的应用到我们的这个啊，具体指标项的计算，当然你也可以用这种，比如说啊，叫优势图法啊，来进行这种相对重要性的啊大小，但是呢，他的原理性不一样啊，原理上不一样， 章子法它的一个核心的原理是指的是说这种信息的不确定性，你简单理解的就是这个数据的啊，有有序性，就是规，规则性，规则性越强，那意味着说他的这个权重应该是越大， 大的啊，因为他的这个伤值越小，他的信涵盖的信心量越大，如果觉得这个杂乱无章的这种，他的信心量就很小，那么伤值很大，那其实呢，应该给他更小的权重啊，这是他的一个原理性的一个东西啊。 那么我们来看一个例子啊，他的这个啊，分析上的这个 sps 优惠很快的帮你计算出来，但是有一些注意事项 来看一下这一个 sps aug， 比如说我们现在这里面有九个指标啊，那么九个指标呢？现在想注意次这一个啊，上执法帮他算出九个指标分别的这一个啊，权重情况啊，他一开始分析啊， 直接就得到结果了啊，就一个表格啊，那么这个啊，他首先得到这个桑植啊，桑植艺刚刚说过了，对吧？桑植越大，其实他的信心量越小，他的这一个比例应该是权重应该是 也低的。你比如说啊，这个啊，九九八八一啊，九九八一其实是很大的，相对来说啊，啊，在这里面相对来说很大，所以说他的权重最终很小，而反之呢，这个九九六一，这个他的这一个啊，相对比较小，所以说啊，我看看，搞错了，这个九九零四，这个相对会比较小一点，所以 给他的这个权重系数反而是更大一点，就伤值是越大，他的这个啊啊，权重应该是越低的，因为伤值越大的话，信息量是越小的啊，那个数据的这种啊，有序性或者是规则性的，他是越越越差的啊， 信息效用地址呢？他，他的计算其实是这个值相减啊，一减去他，因为他们最大为一啊，最大为一，一减去他吗？所以说啊，这个信息量地址呢，越大，其实他的全 权重是越大啊，这权重系数是越大的，计算上也没有。呃，也是很简单的，从如果说你要稍微懂一点这个物理学的这个啊，上职计算他其实也并不复杂，他其实来回就那么啊 公式，还有求对数啊，或者怎么样把那个数字，然后哪和然后求对数，这样子算一下就可以了。那么啊，需要注意几个地方啊？注意几个地方这个商指法的时候啊，他的这个刚刚说了，他的这个计算原理上用物理学的这种啊 衡量公式吧，就是计算这个商值的这种衡量公式上他有一个取对数的一个东西，那么取对数呢，自然就不能对负数进行取对数，对吧？零也不能取对数，那因此呢，如果说你的数据中出现了数字零，或者是说啊负数啊，我们来举个例子啊，比如说我们做一个编码吧， 这边一啊，这个，比如说我取个负数啊，啊，这个还是四吧啊五啊，比如说是这样子啊，那我们再来做一次，你比如说你放放进来啊，把这个移出去， 你这样子的时候你会发现他会出现。浪子。为什么？刚刚说过了，他有中间算法的中间过程或者计算公式过程里面有个起对数的过程， 一旦出现复出来，他就帮你算不出来啊，这导致这些都计算不出来。那因此呢，如果说出现这种情况的时候啊，你需要去检查原始数据中是否有负数或者是零，导致这个算不出来，那怎么办呢？如果说出现这种情况，那你可以把这个负数把它设施 无效的啊，异常的数据啊，你比如说我们可以把这个啊指标一的这个小于零的给他设成空置啊啊，对吧？啊？点确定一下，那有两个数 他都是空值了，那我们再来进行计算啊，相当于你的样本量就变少了，本来三十个可能变成二十八个了啊，他就出来了啊， 这是第一个需要重点关注的地方，就是我们的这个商执法呀啊他的数据中不能出现这个啊负数或者是零。 第二个是说啊数据呢是否是需要注对他进行亮钢化的处理啊？一般情况下呢？呃我们在这个就算权重的时候很多时候都喜欢做这种亮钢化的处理，因为单位不一样，你比如说你以 e 为单位衡量一 e 啊啊，那或者说你以数字一 单位很凉，那就一后面还有八个零，对吧？数单位就不一样了。那那这个时候呢可以做晾干化处理啊，一般就晾干化处理，比如说是做这个什么啊，标准化或者规划啊这些类似的这些 哎处处理对吧？啊就是可以的，在分析之前就是对他进行处理，但是呢也又涉及到刚刚的你比如说你要使用归一划，归一划的公式，是不是这样子他就会出现数字零，所以说如果出现数字零的时候一般把它设成空折啊，浪折啊， 或者还有一种办法呢，就把这个数字零啊啊给他加非常小的一个小数，但是最常见的做法是给他处理成这个啊空值，相当于把那个样本给他扔掉啊，那个啊少少一点样本来进行计算，否则的话他一定会出现这种啊浪值的 啊，以及呢？还有有的这个有的时候啊，数据中有这种什么正向化或者是逆向化的这种数据啊，你其实也是可以的啊，比如说数字，你希望他数字越大越重要啊，这个都不重要啊，都是可以的，你都可以先让他 啊标识出来，这样子方便自己在这个分析的时候呢，更好的去理解啊，这个数字代表了业绩，比如说数字越大越重要啊，看他的这个啊数字的规律性情况啊，那越规律对吧你 那么他的这个啊伤值就越小，他的权重应该是越大的啊，包括这个数据之前是否是需要注水量钢化或者是正向化，逆向化一般是可以做的，但是需要注注 的时候呢，就需要注意一点，他会出现数字零或者是负数，那么需要把它射成一长直，然后呢再进行 对应的进行这个分析，否则的话他会一定会出现这个浪者，以及呢我们商职化，商职化的时候，商职法分析的时候一般是要具体具体指标项的这种权重啊，他的 这个原理就是利用这种数据的啊，规律性啊，有没有规则性来看这个来来来计算权重，所以说呢，很多数据都是可以用他上制法，他是一个非常比较万能的一种啊权重的一种计算方法，而且相对简单易懂啊 啊混结合到其他的一些呃，权重的救援方法，比如说 hp 或者是主成分，因此得分，最终呢构造出一个科学化的一个权重体系指标啊，这是他的一种实际应用。 这也是啊，这是这一次的内容啊，其他没有需要特别注意的地方啊。好，谢谢大家。