精华内容
下载资源
问答
  • AHP权重计算说明.pdf

    2019-11-07 15:59:16
    层次分析法AHP权重计算步骤详细说明,包括层次单排序的一致性检验、层次总排序的一致性检验以及权重的计算。
  • 权重计算方法-3-熵权法-Excel计算实现过程(附件1) “熵权”理论是一种客观赋权方法,它借用信息论中熵的概念。熵权是在给定评价对象集后各种评价指标值确定的情况下,各指标在竞争意义上的相对激烈程度,从信息...
  • 很多AHP软件要么收费,要么层级受限制。这是一款简单实用的层次分析法工具软件,无需安装,完全免费,简单且容易上手,非常实用。
  • 一、 熵权法介绍 二、 熵权法赋权步骤 1. 数据标准化 2. 求各指标的信息熵 3. 确定各指标权重 三、熵权法赋权实例 1. 背景介绍 2. 熵权法进行赋权 3. 评分
  • 在给定一组值和总体权重计算基尼系数。 缺乏文件和检查。
  • 介绍CSS中,单个选择器,以及复合选择器的权重计算规则,比如: .box #mydiv ul li.txt。通过计算选择器的权重,区别其优先级,判 断最终样式的覆盖效果。
  • 介绍层次分析法的基本概念,同时也分析了层次分析法权重计算方法及应用,层次分析法的计算方法有四种方法:几何平均法、算术平均法、特征向量法、最小二乘法,以往的文献利用层次分析法解决实际问题时,都是采用其中的...
  • 针对此问题,文章提出了一种综合的文本特征词权重计算方法,该方法在计算特征词权重时兼顾了特征词的词.频、位置和词义信息。实验结果表明,该方法是有效的,且能在一定程度上提高文本相似度结果的区分度和聚类效果...
  • 基于类别信息的特征权重计算方法对特征与类别的关系表达不够准确,即对于类别频率相同的特征无法比较其对类别的区分能力,因此要考虑特征在类内的分布情况。将特征的反类别频率(inverse category frequency,ICF)...
  • 基于SVM的文本分类系统中特征选择与权重计算算法的研究.pdf
  • AHP权重计算方法案例

    千次阅读 2021-06-11 10:30:45
    AHP权重计算方法案例 1.案例背景 公司要对网站用户行为进行追踪,以优化推荐系统算法,需要对已有的5项行为指标(为便于理解,此处展示5项)分配对应权重,需要我们数据部门给出权重建议。 当然不能拍脑门……我以...

    AHP权重计算方法案例

    1.案例背景

    公司要对网站用户行为进行追踪,以优化推荐系统算法,需要对已有的5项行为指标(为便于理解,此处展示5项)分配对应权重,需要我们数据部门给出权重建议。
    当然不能拍脑门……我以AHP层次分析法为理论基础设计了一套权重计算方案

    2.理论背景

    AHP层次分析法,简言之,利用数字大小相对性,数字越大越重要,权重越高,计算每个因素的重要性。
    AHP源于上世纪70年代初美国国防部研究课题时,提出的一种层次权重决策分析方法。AHP是一种解决多目标的复杂问题的定性与定量相结合的权重判断方法。用专家的经验判断各衡量目标之间的相对重要程度,合理地给出每个决策方案的每个标准的权数。

    3.统计方法
    3.1 专家样本收集

    既然是专家,那么样本量可以适当少一些,5-20人都是可以的,我邀请了全产品组的成员参与了问卷调查。问卷调查了产品团队成员(样本量为10)对这5项行为指标的重要性进行判断。问卷采用5点量表进行,共计5道题,示例如下:

    你认为“产品的浏览点击”这一行为
    在这里插入图片描述

    3.2 样本统计

    将重要性评价转化对应为1-5分,如“不太重要”得1分,“非常重要”得5分,算出每一指标的分值和,比如【行为指标1】得到3个1分,统计结果为3分,具体结果示例如下:
    在这里插入图片描述

    4.权重计算
    4.1 重要性分值权重

    重要性分值权重的计算原理为该分值占总分的百分比,具体如下:
    1分重要性分值权重 1/(1+2+3+4+5)=0.06
    2分重要性分值权重 2/(1+2+3+4+5)=0.13
    3分重要性分值权重 3/(1+2+3+4+5)=0.2
    4分重要性分值权重 4/(1+2+3+4+5)=0.26
    5分重要性分值权重 5/(1+2+3+4+5)=0.33

    4.2 每个指标权重计算

    啰嗦一点就是,单个指标权重=(30.06+100.13+50.2+单个指标4分得分0.26+单个指标5分得分0.33)/ (sum(各个指标1分得分0.06+各个指标2分得分0.13+各个指标3分得分0.2+各个指标4分得分0.26+各个指标5分得分0.33))
    换成计算可能更直观,例如:
    行为指标1权重=(30.06+100.13+60.2+200.26+250.33)/ ((30.06+100.13+60.2+200.26+250.33)+(10.06+80.13+180.2+200.26+400.33)+(00.06+120.13+180.2+280.26+50.33)+(00.06+120.13+120.2+240.26+150.33)+(40.06+120.13+120.2+240.26+400.33))
    以此类推。

    展开全文
  • 介绍层次分析法的基本概念,同时也分析了层次分析法权重计算方法及应用
  • 三、权重计算 1、上节回顾 上一节我们利用SPSS中的数据标准化方法及主成分分析法,得出了“解释的总方差”和“成分矩阵”(如下图) 接下来我们将利用主成分分析得出的数据计算指标权重 2、权重计算 (1)输入数据 ...

    三、权重计算

    1、上节回顾

    上一节我们利用SPSS中的数据标准化方法及主成分分析法,得出了“解释的总方差”和“成分矩阵”(如下图)在这里插入图片描述
    接下来我们将利用主成分分析得出的数据计算指标权重

    2、权重计算

    (1)输入数据
    将主成分分析中得出的“成分矩阵”及特征根复制的Excel中:
    在这里插入图片描述
    对应主成分分析的数据为:
    在这里插入图片描述
    (2)计算线性组合中的系数
    公式为:标准化数/对应主成分特征根的平方根.。直接上图。
    在这里插入图片描述
    在这里插入图片描述
    为方便描述,线性组合中的系数使用Excel中的标号,如“工业废水排放量”对应的两个系数分别为C8和D8。

    (3)计算综合得分模型中的系数
    公式为:(第一主成分方差x100xC8+第二个主成分方差x100xD8)/(第一主成分方差+第二主成分方差)
    注:建议先将方差x100再进行计算
    如图:蓝色和紫色为分别对应相乘的线性组合中的系数及主成分方差
    在这里插入图片描述
    其中主成分方差的数据为:
    在这里插入图片描述
    (4)权重计算(归一化)
    现在到了最后一步,计算权重,也即标准化,将所有指标进行归一化处理,使其权重综合为1。
    公式为:A指标权重=A指标综合得分模型系数/五指标综合得分模型之和。
    如图:
    在这里插入图片描述
    到这里,我们就得出了最终的结果。
    注:蓝色框中的数据是相同的,笔者这样做是为了美观及防止出错。
    (5)完整示范
    为方便大家使用Excel进行权重计算,在这里将笔者自己完整的Excel表格分享给大家:
    在这里插入图片描述
    (6)权重计算出负值的问题
    如果有朋友最终计算的结果出现了负值,说明不适用SPSS中的数据标准化处理,可以改用极差法重新标准化数据。下面介绍极差法,并用Excel进行实现。

    四、极差法标准化

    1、公式
    公式为:
    在这里插入图片描述
    如何区分指标时正向还是负向?如笔者的五项指标中吗,废水、废气、固体废弃物越多对环境来说越糟糕,因此为负向指标;绿地面积,建成区绿化率值越大对环境来说越好,因此为正向指标。

    2、使用Excel实现

    由于公式直接输入比较困难,因此笔者建议先计算最小、最大值,再计算最大值与最小值的差,最后计算得出结果。
    (1)计算最小值。如图:
    在这里插入图片描述
    (2)计算最大值
    在这里插入图片描述
    (3)计算【max-min】
    在这里插入图片描述
    (4)计算最终的标准化数值
    注意:这里要区分正负向指标
    首先是正向指标,如图:
    在这里插入图片描述
    然后是负向指标:
    在这里插入图片描述
    (5)0值的处理
    最终计算的可能出现0值,这时候为每一个0值加上0.01即可(如下图)。
    (6)完整示范
    在这里插入图片描述
    到此,极差法标注化处理就结束了。前面利用SPSS进行标准化得出权重为负值的朋友可以用极差法对数据进行重新标准化,再重新利用SPSS进行主成分分析,然后计算权重。

    下一节,我们将介绍耦合度及耦合协调度的计算方法,并使用Excel进行实现,实际计算出所有数值。

    展开全文
  • 针对此问题,提出了结合词义的文本特征词权重计算方法,基于Chinese WordNet采用词义向量余弦计算特征词的词义相似度,根据词义相似度对特征词的TF-IDF权重进行修正,修正后的权重同时兼顾词频和词义信息。...
  • 遗忘算法(词库生成、分词、词权重)演示程序 词权重计算。 遗忘算法(词库生成、分词、词权重)演示程序。 遗忘算法演示程序及源码,功能包括词库生成、分词、词权重计算。是CSDN博文《非主流自然语言处理——遗忘...
  • 权重计算方法

    万次阅读 2019-06-10 16:58:47
    AHP算法计算层次权重其基本步骤为将问题分解为不同的组成因素,按照因素间的相互关系或者隶属关系将因素按不同因素聚集集合,形成一个多层次的分析结构模型,并由此构建判断(或成对比较)矩阵,依据判断矩阵对层次...

    AHP方法
    AHP算法计算层次权重其基本步骤为将问题分解为不同的组成因素,按照因素间的相互关系或者隶属关系将因素按不同因素聚集集合,形成一个多层次的分析结构模型,并由此构建判断(或成对比较)矩阵,依据判断矩阵对层次进行单排序并检验是否通过一致性检验,最后计算某一层次所有因素对于最高层(总目标)相对重要性的权值,称为层次总排序。其流程图如图所示:

    图# AHP算法计算流程
    1.建立层次结构模型
    将决策的目标、考虑的因素(决策准则)和决策对象按它们之间的相互关系分为最高层、中间层和最低层,绘出层次结构图。在本例中,决策的目标是计算各分割产品的合理定价,考虑的因素应为市场喜好程度,决策对象为各分割产品。
    2.构造判断矩阵
    在确定各层次各因素之间的权重时,如果只是定性的结果,则常常不容易被别人接受,因而Santy等人提出一致矩阵法,即不把所有因素放在一起比较,而是两两相互比较,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,以提高准确度。如对某一准则,对其下的各方案进行两两对比,并按其重要性程度评定等级。 为要素 与要素j重要性比较结果。按两两比较结果构成的矩阵称作判断矩阵。判断矩阵具有如下性质:
    a_ij=1/a_ji
    构造判断矩阵时一般通过两两比对进行确认,一般按照下表比例标度进行确认标度值:
    因素i比因素j 量化值
    同等重要 1
    稍微重要 3
    较强重要 5
    强烈重要 7
    极端重要 9
    两相邻判断的中间值 2,4,6,8
    3.层次单排序及其一致性检验
    对应于判断矩阵最大特征根 的特征向量w,w经归一化后记为W。W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值,这一过程称为层次单排序。能否确认层次单排序,则需要进行一致性检验,定义一致性指标为:
    CI= ((λ-n))/(n-1)
    式中:λ为判断矩阵特征向量;n为因素数量
    CI=0,有完全的一致性;CI 接近于0,有满意的一致性;CI 越大,不一致越严重。为衡量CI的大小,引入随机一致性指标RI:
    RI= (〖CI〗_1+〖CI〗_2+⋯+〖CI〗_n)/n
    其中,随机一致性指标RI和判断矩阵的阶数有关,一般情况下,矩阵阶数越大,则出现一致性随机偏离的可能性也越大,本例因素数量为24,查表得RI取值1.6497。
    考虑到一致性的偏离可能是由于随机原因造成的,因此在检验判断矩阵是否具有满意的一致性时,还需将CI和随机一致性指标RI进行比较,得出检验系数CR,公式如下:
    CR = CI/RI
    一般,如果CR<0.1 ,则认为该判断矩阵通过一致性检验,否则就不具有满意一致性。
    4.层次总排序及其一致性检验
    计算某一层次所有因素对于最高层(总目标)相对重要性的权值,称为层次总排序。
    #计算各产品的定价权重
    a = [];#a为判断矩阵
    n = len(a)
    b = []
    for i in range(24):
    b.append(a/a[i])

    B = np.transpose(b)#转置
    value,V = np.linalg.eig(B)#value特征值,V为特征向量
    value_max = np.argmax(value)#寻找最大的特征值的索引
    w1 = V[:,value_max]
    
    for i in w1:
    	w = w1/sum(i)
    W = np.transpose(w) #获得权重矩阵
    #一致性检验
    CI = (value[value_max]-n)/(n-1)
    RI = 1.6793 #查表获得n个阶数下的一致性指标值
    CR = CI/RI
    if CR < 0.1:
    	print('通过一致性检验!\n')
    else:
    	print('需重新赋值一致性不被接受!\n')
    

    熵值法
    1、基本原理
    熵值法是指用来判断某个指标的离散程度的数学方法。离散程度越大,对该指标对综合评价的影响越大。可以用熵值判断某个指标的离散程度。可根据各项指标的变异程度,利用信息熵这个工具,计算出各个指标的权重,为多指标综合评价提供依据。
    2、算法步骤
    (1)选取n个层次,m个指标,则x_ij为第i个层次的第j个指标的数值;(i=1,2,3…,n; j = 1,2,3…m)

    (2)指标的归一化处理:异质指标的同质化
    (3)计算第j项指标下第i个层次占该指标的比重:

    (4)计算第j项指标的熵值

    (5)计算信息熵冗余度:

    (6)计算各项指标的权重值

    展开全文
  • * 权重实体类,用于接收需要计算权重的数据和每个数据的权重 * @param <T> */ public class Height<T> { private int height; private T t; public int getHeight() { return height; } public .....

    /**
     * 权重实体类,用于接收需要计算权重的数据和每个数据的权重
     * @param <T>
     */
    public class Height<T> {
        private int height;
        private T t;
        public int getHeight() {
            return height;
        }
        public void setHeight(int height) {
            this.height = height;
        }
        public T getT() {
            return t;
        }
        public void setT(T t) {
            this.t = t;
        }
        
    }
     

     

     

     

     

     

     

     

     

     

    /**
     * Demo用于作为测试类
     *
     */
    public class Demo {
        private String id;
        private Integer height;
        public String getId() {
            return id;
        }
        public void setId(String id) {
            this.id = id;
        }
        public Integer getHeight() {
            return height;
        }
        public void setHeight(Integer height) {
            this.height = height;
        }
        
    }
     

     

     

     

     

     


    import java.util.ArrayList;
    import java.util.List;
    import java.util.UUID;

    /**
     * 权重计算实现类(根据自己的理解来计算权重的,不喜勿喷)
     *
     * @param <T> 最终需要返回的数据
     */
    public class WeightUtils<T> {
        /**
         * 计算权重后获取的数据
         * @param list 需要进行权重计算的数据
         * @return
         */
        public static <T>T getT(List<Height<T>> list){
            /*定义一个数字,用于统计权重的和*/
            int num = 0;
            /*遍历传入的集合,计算总权重*/
            for (int i = 0; i < list.size(); i++) {
                num += list.get(i).getHeight();
            }
            /*在总权重的区间获取一个随机数*/
            int random = getRandom(num);
            num = 0;
            for (int i = 0; i < list.size(); i++) {
                num = num + list.get(i).getHeight();
                if (num >= random) {
                    return list.get(i).getT();
                }
            }
            return null;
        }
        /**
         * 获取随机数
         * @param num
         * @return
         */
        public static int getRandom(int num){
            double random = Math.random()*num;
            return (int)random;
        }
        /**
         * 测试的main方法计算权重
         * @param args
         */
        public static void main(String[] args) {
            /*将Demo进行实例化,用于表示需要计算权重的数据*/
            Demo demo1 = new Demo();
            demo1.setId(UUID.randomUUID().toString());
            demo1.setHeight(100);
            
            Demo demo2 = new Demo();
            demo2.setId(UUID.randomUUID().toString());
            demo2.setHeight(200);
            
            Demo demo3 = new Demo();
            demo3.setId(UUID.randomUUID().toString());
            demo3.setHeight(300);
            
            Demo demo4 = new Demo();
            demo4.setId(UUID.randomUUID().toString());
            demo4.setHeight(400);
            
            Demo demo5 = new Demo();
            demo5.setId(UUID.randomUUID().toString());
            demo5.setHeight(500);
            
            Demo demo6 = new Demo();
            demo6.setId(UUID.randomUUID().toString());
            demo6.setHeight(600);
            List<Height<Demo>> list = new ArrayList<Height<Demo>>();
            /*将Height进行实例化,用于存储前面的demo*/
            Height<Demo> w1 = new Height<Demo>();
            w1.setT(demo1);
            w1.setHeight(demo1.getHeight());
            
            Height<Demo> w2 = new Height<Demo>();
            w2.setT(demo2);
            w2.setHeight(demo2.getHeight());
            
            Height<Demo> w3 = new Height<Demo>();
            w3.setT(demo3);
            w3.setHeight(demo3.getHeight());
            
            Height<Demo> w4 = new Height<Demo>();
            w4.setT(demo4);
            w4.setHeight(demo4.getHeight());
            
            Height<Demo> w5 = new Height<Demo>();
            w5.setT(demo5);
            w5.setHeight(demo5.getHeight());
            
            Height<Demo> w6 = new Height<Demo>();
            w6.setT(demo6);
            w6.setHeight(demo6.getHeight());
            
            /*将权重实体类存放到集合中*/
            list.add(w1);
            list.add(w2);
            list.add(w3);
            list.add(w4);
            list.add(w5);
            list.add(w6);
            /*定义六个int类型的数字,用于最终*/
            int a1 = 0;
            int a2 = 0;
            int a3 = 0;
            int a4 = 0;
            int a5 = 0;
            int a6 = 0;
            int sum = 200000;
            for (int i = 1; i <= sum; i++) {
                Demo demo = getT(list);
                if (demo == demo1) {
                    a1 ++;
                }
                if (demo == demo2) {
                    a2 ++;
                }
                if (demo == demo3) {
                    a3 ++;
                }
                if (demo == demo4) {
                    a4 ++;
                }
                if (demo == demo5) {
                    a5 ++;
                }
                if (demo == demo6) {
                    a6 ++;
                }
            }
            /*输出权重和除以每个demo出现的次数,计算出来的值越小权重越高*/
            System.out.println("a1========="+a1+"============"+(double)sum/(double)a1);
            System.out.println("a2========="+a2+"============"+(double)sum/(double)a2);
            System.out.println("a3========="+a3+"============"+(double)sum/(double)a3);
            System.out.println("a4========="+a4+"============"+(double)sum/(double)a4);
            System.out.println("a5========="+a5+"============"+(double)sum/(double)a5);
            System.out.println("a6========="+a6+"============"+(double)sum/(double)a6);
            /*计算所有权重出现的概率之和*/
            double z = (double)a1/(double)sum+(double)a2/(double)sum+(double)a3/(double)sum+(double)a4/(double)sum+(double)a5/(double)sum+(double)a6/(double)sum;
            System.out.println(z);
            /*计算每个demo出现的次数之和,用于判断demo出现的次数之和是不是等于遍历的次数,用于判断是否有遗漏的情况*/
            System.out.println(a1+a2+a3+a4+a5+a6);
        }
    }
     

    展开全文
  • 术语识别在本体构建、词典构建等领域应用广泛,而术语权重计算是术语识别中的关键步骤。本文通过改进 TF-IDF 公式,将组成术语词条的长度作为权重因素之一,同时考虑术语在文档集中的领域相关性。整个过程基于...
  • 首先, 将目标权重计算问题转化为综合适应度最大方差计算问题; 然后, 将个人偏好转化为最大方差问题不等式约束条件; 最后, 利用遗传算法和梯度投影法求解约束优化问题以获得最佳的目标权重. 在电力机车故障维修策略...
  • 权重计算,稍加修改亦可用于分词,词频统计,全文和spam检测等
  • CSS 选择器权重值 CSS 具有自己的优先级计算方法,而不仅仅是行间>内部>外部、ID>class>元素 1. 样式类型 行间样式 我的行间CSS样式。 内联样式 <style type="text/css"> h1{font-size:12px; color:#000; ...
  • JS简单实现:根据奖品权重计算中奖概率实现抽奖的方法 胖子依然6 2019-12-26 12:10:12 264 收藏 版权 本文主要介绍:使用 JS 根据奖品权重计算中奖概率实现抽奖的方法。 一、示例场景 纯爱小说 www.shupu.org 1.1、...
  • css标签权重计算知识详解

    千次阅读 2020-10-09 19:35:20
    2. 权重计算公式 特别注意: 权重没有进位,级别不可逾越 如 div div div{} 权重为 0,0,0,1+0,0,0,1+0,0,0,1=0,0,0,3 继承的权重为0 3.判断最终生效css方法 首先判断css选择器有没有被选中指定元素 选中 比较选中...
  • 用户画像标签权重计算

    千次阅读 2020-10-19 21:59:22
    部分实现的参考资料: ...mid=2247487211&idx=1&sn=848069327f8c778e42427158f20f9b36&chksm=e990eb3fdee7622915479093a8f43f61dc8772cc681498f95dbde6960f11c5ed8f75bde29a8e&scene=21#wechat_...
  • 词语权重计算是自然语言处理中的重要问题,是文档语义表示的重要实现手段。词语的权重主要由两部分决定,一部分是词语在文档中的重要性度量,另一部分是基于统计方法所得的词语在区分不同文档能力上的度量即词语全局...
  • weight为每个类别的loss设置权重,常用于类别不均衡的问题,weight的数据类型必须是float的tensor,其个数要与分类的类别个数一致(其他参数不介绍) weight的计算方法经常使用median frequency balanci
  • AHP方法计算权重.pdf

    2019-09-11 16:58:34
    AHP层次分析法——一致性检验以及权重计算。层次单排序以及层次总排序一致性检验说明文档。详细,注意细节。文件最后到第二行应该是B3应该是B2。
  • CSS选择器的权重计算

    千次阅读 2017-02-28 16:42:55
    刚好是在做面试题的时候,发现有一个题目时关于CSS选择器的权重计算,当时脑海中只知道:id>class>元素选择器,外联样式优先级低于内联样式,内联样式优先级低于行间样式,至于权重的计算其实没有多大的印象,所以...
  • 搜索中词权重计算及实践

    千次阅读 2018-11-24 18:04:00
    用户的输入通常呈现很大的差异性,这是因为不同的人接受不同的教育、不同的文化,导致在表述同一个问题上面差异很大,那么对用户输入的搜索词进行词条权重的打分是非常有必要的,这对于从用户输入的搜索词中提取核心...
  • 为此,文中基于随机模拟法研究了IAHP权重计算过程中的概率分布规律。研究表明,当判断矩阵元素为平均分布和正态分布时,所求得的权重均为正态分布。权重计算对数据分布具有明显的压缩作用,经过计算,区间平均宽度...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 293,353
精华内容 117,341
关键字:

权重计算

友情链接: DBEngine.zip