精华内容
下载资源
问答
  • 一致性分析
    千次阅读
    2021-01-17 02:32:48

    但不知道质量一致性检验是什么意思,以及他和型式检验的区别。

    通常,产品生产时在工艺不变,原材料基本一致的情况下,有些质量指标是基本不变的。因此,在产品生产质量控制中,可以对其中有些指标不做监控。型式检验一般是对.

    层次分析法中一致性检验指标ci不可以小于0,cr小于0.1判断矩阵才满足一致性检验,有时候可以等于0,但不能为负。若为负的话,说明数值错了。

    请把原因解释的尽量详细一些,谢谢~~~

    首先要知道,判断矩阵是各层次各因素之间进行两两比较相对重要性而得来的。那么. 但要求判断矩阵具有大体的一致性,所以需要进行一致性检验。这是我的理解~

    带有一致性检查的同步(也可以简称为一致性检查)是 DPM 用来检查和更正受保护数据源及其副本之间的不一致性的过程。作为同步过程的一部分,一致性检查执行逐个.

    甲从50个样品中用自己的方法检验出10个合格品,乙从同样这50个样品中用.

    一致性检验是为了检验各元素重要度之间的协调性,避免出现A比B重要,B比C重要,而C又比A重要这样的矛盾情况出现。1、一致性是指事务的基本特征或特性相同,其.

    判断矩阵通常的是不一致的,但是为了能用它的对应于最大特征根的特征向量作为被比较因素权向量,其不一致程度应在容许的范围内.

    层次分析法是指将与决策总是有关的元素分解成目标、准则、方案等层次,在此基础. 必须对判断矩阵是否可接受进行鉴别,这就是一致性检验的内涵。

    %以下是一致性检验CI=(t-n)/(n-1); CI=(t-n)/(n-1); RI=[0 0 0.52 0.89 1.12 1.26 。

    一致性检验能不能通过和RI矩阵有关系的,你这个检验要求更严格一些所以通zd过不了。我这有推荐的RI矩阵,你可以用我的这个函数试试,应该没问题。或者你自己更回.

    kappa运行参数是什么数据类型

    在诊断试验中,研究者希望考察不同诊断方法在诊断结果上是否具有一致性,比如:不同医务工作者对同一组病人的诊断结果是否一致、不同的诊断方法对同一个样本或研.

    检验一致性:(1)计算一致性指标C.I.=(最大特征值-n)/n-1 ; (2)找出相应的平均随机一致性指标R.I.; (3)计算一致性比例C.R.=C.I./R.I.;当C.R.

    期待看到有用的回答!

    我印象中好像是要用卡方的同质性还是一致性检验,但是又记得那是a*b列联。

    你的目的是比较两组被试的性别、受教育程度、年龄是否一来致吧,那就用普通的卡方分析就可以了,也自就是比较两组的性别、受教育程度、年龄是否存在差异,如果不.

    我不太清楚为什么要做一致性检验,请大大们解释一下,谢谢。

    意义:一致性检验是为了检验各元素重要度之间的协调性,避免出现A比B重要,B比C重要,而C又比A重要,这样的矛盾情况出现。在确定各层次各因素之间的权重时,.

    有多项检测检验点合格率最小的,如有3项检验点合格率分别为90%,80%,70%,其:逐项检验点合格率即满足大于70%的条件,且不合格点不集中。如有1项合格率小于70.

    确实是应该使用Kappa一致性检验评价结果的一致性。任何版本的SPSS都可以做Kappa一致性检验(被包含在卡方检验程序中),步骤跟做卡方检验基本相同,只需在卡.

    AHP模型有四层的时候,怎样进行总排序一致性检验?谢谢各位大虾

    无论多少层,都是从上到下,一层一层进行层次总排序和检验。您可以登录www.ahptool.net查看关于AHP的说明。

    认为判断矩阵中的不一致是由强矛盾判百断、弱矛盾判断、标度离散性、标度有限性共同作用的结果度.论文关于判断矩阵不一致性原因的分析及对一致性调整的解知决方案.

    请问一下矩阵一致性检验具体的计算步骤方法是什么?题目如图 对于计算步骤。

    如果是用spssau分析的话,结果会直接得到一致性检验的结果。具体可以查看spssau帮助手册:层次分析法-SPSSAU

    可以换一种标度方法,不一定要用1-9,可以用e的0/5次方到e的8/5次方标度方法。这个标度方法的一致性检验容易通过。可以下载yaahp自动计算。

    一致性检验是为了检验各元素重要度之间的协调性,避免出现A比B重要,B比C重要,而C又比A重要这样的矛盾情况出现

    更多相关内容
  • Kappa一致性分析

    千次阅读 2020-12-24 07:56:03
    Kappa分析,主要评价的是两种实验方法或检测手段结果的一致性程度;...这里就需要进行Kappa一致性分析检验。进行Kappa分析的表格形式:评价两种方法对90例患者检测Hp一致性程度下面讲解如何使用SPSS进行Kap...

    Kappa分析,主要评价的是两种实验方法或检测手段结果的一致性程度;例如,对于幽门螺旋杆菌(Hp)的检测有C13呼气试验和病理活检等手段,其中C13呼气试验已经成为检验患者是否患有幽门螺旋杆菌感染的‘金标准’,那么病理活检与C13呼气试验结果是否一致呢?这里就需要进行Kappa一致性分析检验。

    进行Kappa分析的表格形式:评价两种方法对90例患者检测Hp一致性程度

    下面讲解如何使用SPSS进行Kappa一致性检验:

    打开SPSS软件,在【变量视图】中输入“行信息”,“列信息”,“结果信息”(计量资料的信息录入都很类似,详细步骤可参考之前的卡方检验)

    在【数据视图】界面,按照表格在【结果】列录入数据

    对数据进行加权:【数据】→【加权个案】→【频率变量】→【确定】

    选择【分析】→【描述统计】→【交叉表】

    将“病理活检”,“C13呼气试验”依次导入【行】与【列】

    选择【统计量】,在弹出对话框中选择【Kappa】,点击【继续】,回到上级目录,点击【确定】

    在弹出的【输出文档】中

    展开全文
  • 使用SPSS进行一致性分析的相关步骤

    千次阅读 2021-12-16 15:06:22
    一致性分析是指2位及以上观察者对同一研究对象进行评估的一致性。简单来说就是分析的问题是同一个方面,或者说是同一个维度。比如,本教程通过SPSS软件对课堂感受进行一致性分析,将课堂感受数据中的交互性、充分性...

    一致性分析是指2位及以上观察者对同一研究对象进行评估的一致性。简单来说就是分析的问题是同一个方面,或者说是同一个维度。比如,本教程通过SPSS软件对课堂感受进行一致性分析,将课堂感受数据中的交互性、充分性、课堂融入度、实体课程等效程度进行一致性分析。通过SPSS一致性分析得到的数据可以进行判断这四个变量是否满足一致性。

       一、数据准备

       本例通过SPSS软件新建“课堂感受”数据,点击左上角“文件”-“数据”,即可新建数据文件,数据变量主要包括来自IP、交互性、充分性、课堂融入度、实体课程等效程度。

    图1数据展示

    图1数据展示

       

       二、一致性分析

       点击SPSS主页顶部菜单栏“分析”-“刻度”-“可靠性分析”,即可打开可靠性分析窗口。将交互性、充分性、课堂融入度、实体课程四个需要分析课堂感受一致性的变量加载到“项”文本框。当然,我们也可以点击左下角模型下拉列表,可以选择不同模型进行分析,这里选择Alpha模型。

    图2变量加载

     图2变量加载

      

       点击右上角“统计”按钮,打开可靠性分析:统计窗口,勾选统计学相关的数据,比如描述、项之间、摘要、ANOVA表等。这些数据都是和统计学相关,如果大家不是很清楚每个数据作用是什么,可以查阅统计学相关资料。

    图3统计

    图3统计

       

       三、结果分析

       通过以上步骤,我们可以得到一致性分析的结果。

       1、可靠性统计

       可靠性统计是整个分析项目中最重要的一个,通过该项目的数据,我们可以清晰分析得到这四个变量是否具有一致性。一般而言如果克隆巴赫(Alpha)数据大于0.7,则说明这些对比的变量具有一致性。因此,可以得出结论,这四项课堂感受具有一致性。

    图4一致性分析

    图4一致性分析

       

       2、其他数据

       除了上面最重要的一致性分析项目,还有一些其他数据,比如项目间相关性矩阵、摘要项统计、项目总统计等。

    图5其他数据

    图5其他数据

       

       四、小结

       以上是利用SPSS软件对课堂感受进行一致性分析,首先在SPSS软件输入数据,然后对数据进行一致性分析,最后对得到的分析结果进行解析,可以通过可靠性统计项目清楚的分析得出数据是否具有一致性。

    展开全文
  • 一个更优秀的可靠性度量指标,应该同时反映测量之间相关性和一致性的程度。组内相关系数(Interclass Correlation Coefficient, ICC)就是天选之子。

      可靠性(Reliability)被定义为测量结果可被复制的程度。它不仅反映了相关程度(correlation),还反映了测量之间的一致性(agreement)。实践中,Pearson相关系数、配对t检验和Bland-Altman图都可以用来评价Reliability。其中,配对t检验和Bland-Altman图是分析一致性的方法,Pearson相关系数则仅是对相关性的度量,因此,对Reliability来说,它们都不是理想的衡量方法。

      一个更优秀的可靠性度量指标,应该同时反映测量之间相关性和一致性的程度。组内相关系数(Interclass Correlation Coefficient, ICC)就是天选之子。

      参考论文:A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research

    1. ICC简介

      ICC是Fisher在1954年首次提出的,作为对Pearson相关系数的修正。而现在的ICC是通过方差分析得到的均方差(即,基于一组给定度量之间的可变性对总体方差的估计)来计算的。1979年,Shrout和Fleiss定义了6种形式的ICC,它们用括号中的2个数字表示:ICC(1,1)、ICC(1,k)、ICC(2,1)、ICC(2,1)、ICC(3,1)和ICC(3,k)。1997年,McGraw和Wong根据模型(model)、类型(type)和被认为重要的关系定义(definition)确定了10种形式的ICC。

    【1】模型有三种:
      单向随机效应:1-way random effects
      双向随机效应:2-way random effects
      双向混合效应:2-way fixed effects

    【2】类型有两种:
      单个评分者/测量值:single rater/ measurement
      k个评分者/测量值的平均值:the mean of k raters/measurements

    【3】定义有两种:
      一致性:consistency
      绝对一致性:absolute agreement

      如何选择正确的ICC形式可通过4个问题来指导:
    (1)是否对所有受试样本都采用同一组评分者?→ 模型
    (2)评分者样本是从更大样本的群体中选取的还是特定的评分者样本?→ 模型
    (3)感兴趣的是单一评分者还是多个评分者均值的可靠性?→ 类型
    (4)关心的一致性还是绝对一致性?→ 定义

    2. ICC形式选择

    2.1 模型选择

    (1)单向随机效应:1-way random effects
      这个模型中,每个受试样本都由一组不同的评分者打分,这些评分者是从大量可能的评分者中随机挑选出来的。实际上,该模型很少用于临床信度分析,因为大多数可靠性研究通常采用同一组评分者对所有受试样本进行测量。
      如下图所示,ABCDEF表示6名不同的评分者:
    在这里插入图片描述  更常见的情况如下:
    在这里插入图片描述
      在多中心研究中可能会有应用场景,比如一组评分者对一个中心的受试样本进行评估,而另一组评分者对另一个中心的受试样本进行评估。

    (2)双向随机效应:2-way random effects
      这个模型中,我们从一个更大的具有相似特征的评分者群体中随机选择我们的评分者。换句话说,如果我们打算将我们的可靠性结果推广到与可靠性研究中所选的评分者具有相同特征的任何评分者,就应选择双向随机效应模型。简言之,可靠性结果可推广。

    (3)双向混合效应:2-way fixed effects
      如果所选的评分者是唯一感兴趣的评分者,则应该使用双向混合效应模型。在此模型下,结果仅代表了参与可靠性实验的具体评分者的可靠性。它们不能推广到其他评分者,即使这些评价者与可靠性实验中所选的评价者具有相似的特征。简言之,可靠性结果不可推广。

    2.2 类型选择

      这种选择取决于在实际应用中将如何执行测量方案。例如,如果我们计划使用3个评分者的平均值作为评估依据,则可靠性研究的实验设计应包括3个评分者,并选择类型:the mean of k raters/measurements。相反地,如果我们打算使用单一评分者的测量作为实际测量的依据,那么即使可靠性实验涉及到2个或2个以上的评分者,也应该选择类型:single rater/ measurement

    2.3 定义选择

      对于双向随机效应模型和双向混合效应模型,有2个ICC定义:“绝对一致性”“一致性”。选择ICC定义取决于我们认为评分者之间的绝对一致性还是一致性更重要。
      设 y {y} y 为评分者A的分数, x {x} x 为评分者B的分数, c {c} c 为误差:
      一致性:同一组受试样本的评分是否以加性的方式相关,数学表达为 y = x + c {y=x+c} y=x+c
      绝对一致性:同一组受试样本的评分数值是否相近,数学表达为 y = x {y=x} y=x

    论文中给定的10种ICC形式的计算表达式如下所示:
    在这里插入图片描述
      但是我认为论文中ICC(1,1)的计算表达式分母的 k + 1 {k+1} k+1 应该为 k − 1 {k-1} k1 ,即:
    在这里插入图片描述
      后面我将用代码证明 k − 1 {k-1} k1 才是正确的。

    3. SPSS操作指南

    SPSS可以方便的实现ICC计算:
    1. 数据录入
    在这里插入图片描述
    2. 分析 → 标度→ 可靠性分析(Analyze → Scale → Reliability Analysis)
    在这里插入图片描述
    3. 设置选项
    在这里插入图片描述
    4. 模型选择:统计(Statistics)→ 同类相关系数(ICC),根据需要选择模型和类型
    在这里插入图片描述
    5. 结果解读
    在这里插入图片描述
    单个测量(Single Measures):对应single rater/ measurement
    平均测量(Average Measures):对应the mean of k raters/measurements

    ICC的值介于0~1之间:
      小于0.5表示一致性较差;
      0.5~0.75一致性中等;
      0.75~0.9一致性较好;
      大于0.9一致性极好;

    4. Python实现

    仔细观察计算表达式,发现双向混合与双向随机的表达式是一样的。
    故用Python实现了6种ICC形式的计算:

    import numpy as np
    
    def icc_calculate(Y, icc_type):
        
        [n, k] = Y.shape
        
        # 自由度
        dfall = n * k - 1   # 所有自由度
        dfe = (n - 1) * (k - 1)   # 剩余自由度
        dfc = k - 1    # 列自由度
        dfr = n - 1    # 行自由度
        
        # 所有的误差
        mean_Y = np.mean(Y)
        SST = ((Y - mean_Y) ** 2).sum()
        
        x = np.kron(np.eye(k), np.ones((n, 1)))  # sessions
        x0 = np.tile(np.eye(n), (k, 1))  # subjects
        X = np.hstack([x, x0])
        
        # 误差均方
        predicted_Y = np.dot(
            np.dot(np.dot(X, np.linalg.pinv(np.dot(X.T, X))), X.T), Y.flatten("F")
            )
        residuals = Y.flatten("F") - predicted_Y
        SSE = (residuals ** 2).sum()
        
        MSE = SSE / dfe
        
        # 列均方
        SSC = ((np.mean(Y, 0) - mean_Y) ** 2).sum() * n
        MSC = SSC / dfc
        
        # 行均方
        SSR = ((np.mean(Y, 1) - mean_Y) ** 2).sum() * k
        MSR = SSR / dfr
        
        if icc_type == "icc(1)":
            SSW = SST - SSR   # 剩余均方
            MSW = SSW / (dfall - dfr)
            
            ICC1 = (MSR - MSW) / (MSR + (k - 1) * MSW)
            ICC2 = (MSR - MSW) / MSR
        
        elif icc_type == "icc(2)":
            
            ICC1 = (MSR - MSE) / (MSR + (k - 1) * MSE + k * (MSC - MSE) / n)
            ICC2 = (MSR - MSE) / (MSR +  (MSC - MSE) / n)
            
        elif icc_type == "icc(3)":
           
            ICC1 = (MSR - MSE) / (MSR + (k - 1) * MSE)
            ICC2 = (MSR - MSE) / MSR
            
        return ICC1, ICC2
    

    测试icc(1):

    a = [[90,95,89,92,89,80,91,94,84,95],
         [89,80,89,93,91,80,94,92,82,90],
         [100,100,91,91,94,81,93,92,84,96]]
    b = np.array(a)
    b = b.T
    icc_type = "icc(1)"
    icc1, icc2 = icc_calculate(b, icc_type)
    print('模型{}:\t'.format(icc_type))
    print('单个测量:', icc1)
    print('平均测量:', icc2)
    

    输出:对应SPSS选择单项随机,代码与SPSS结果一致, k − 1 {k-1} k1 才是正确的

    模型icc(1):	
    单个测量: 0.4642314139799629
    平均测量: 0.7221784219782894
    

    在这里插入图片描述

    测试icc(2):

    a = [[90,95,89,92,89,80,91,94,84,95],
         [89,80,89,93,91,80,94,92,82,90],
         [100,100,91,91,94,81,93,92,84,96]]
    b = np.array(a)
    b = b.T
    icc_type = "icc(2)"
    icc1, icc2 = icc_calculate(b, icc_type)
    print('模型{}:\t'.format(icc_type))
    print('单个测量:', icc1)
    print('平均测量:', icc2)
    

    输出:对应SPSS选择 双向随机,绝对一致,代码与SPSS结果一致

    模型icc(2):	
    单个测量: 0.4807888473308402
    平均测量: 0.7353094123764954
    

    在这里插入图片描述
    测试icc(3):

    a = [[90,95,89,92,89,80,91,94,84,95],
         [89,80,89,93,91,80,94,92,82,90],
         [100,100,91,91,94,81,93,92,84,96]]
    b = np.array(a)
    b = b.T
    icc_type = "icc(3)"
    icc1, icc2 = icc_calculate(b, icc_type)
    print('模型{}:\t'.format(icc_type))
    print('单个测量:', icc1)
    print('平均测量:', icc2)
    

    输出:对应SPSS选择 双向混合,一致性,代码与SPSS结果一致

    模型icc(3):	
    单个测量: 0.529918800749532
    平均测量: 0.7717872521074659
    

    在这里插入图片描述

    展开全文
  • 数据一致性分析 & Bland-Altman图

    万次阅读 多人点赞 2020-01-06 09:26:13
    但是医生手工标记的方法费时费力,为了提升检测效率,开发了一种自动分割视杯视盘的分割方法,现在这种自动化方法也对这组病人数据进行了分析,分割出了视杯、视盘的区域,同样也计算出了杯盘比。
  • 【Matlab 控制】仿真多智体一致性分析,附代码

    千次阅读 多人点赞 2020-10-23 16:08:14
    Matlab仿真多智体一致性分析,附代码 本例程所有参数及状态均采用最简单的形式,使更容易理解一致性的收敛过程。 所使用拉普拉斯矩阵图为如下所示的无向图(undirected graph) 输入: 初始位置(状态) 图...
  • 外观检验人员一致性(Kappa)分析

    千次阅读 2022-03-10 16:15:06
    三、判定方法 四、评价流程 样品选取→随机摆放→三个检验员第一次检验→隔2H→三个检验员第二次检验→隔2H→三个检验员第三次检验→数据记录→一致性分析 1.实验设计及实施 五、结果分析 分析一:检验员自身一致性...
  • 层次分析一致性检验

    万次阅读 多人点赞 2020-12-20 17:19:25
    目录1、层次分析法的基本步骤1.1、建立层次结构模型1.2、构造判断(成对比较)矩阵1.3、层次单排序及一致性检验1.4、 层次总排序及其一致性检验2、总结:层次分析法...:去哪儿旅游5、为什么层次分析法要进行一致性检验...
  • Matlab仿真含时滞多智体一致性分析,附代码 系统结构如下图所示: clear; clc; % 2014_多智能体网络的一致性问题研究_纪良浩 % 此为Paper中的示例代码 % 例2.1: A = [0, 0, 0.1, 0, 0; 0.1, 0, 0, 0, 0; 0, 0.15,...
  • 一致性检验的目的在于比较不同方法得到的结果是否具有一致性。 比如采集的样本和真实样本是否一致,比如两种抽样方法得到的两个样本集是否一致,比如两种不同超参数设置下的聚类方法得到的聚类结果是否一致,等等 ...
  • kafka之写入一致性分析

    万次阅读 2019-03-14 04:41:37
    [TOC] 背景 对于Kafka这方面的集群了解越发迷茫,结合Kafka 高并发写入数据,自己心里有个疑问:kafka的集群是...自己会默默的比对一下其它中间件在 集群方面的一致性方面的处理,如ZK的ZAB协议集群内数据一致性的...
  • 1. 从协方差到线性相关系数 对于变量x,y,其协方差计算公式为 将x,y进行标准化,计算得到的协方差即为相关系数。 2. 线性相关系数及其置信区间 3. 如何比较两个线性相关...6. 相关分析中的几个陷阱 7. ...
  • 一致性算法分析

    万次阅读 2018-01-18 14:25:47
    目的 :一致性算法的出现是为了解决一致性问题,一致性问题是指对于一组服务器(集群),给定一组操作,需要使用一种协议使得它们的结果最终达成一致,看起来好像是一台服务器一样。 作用 :一致性算法在构建可信赖...
  • 总线矩阵:业务过程和维度的交点; 一致性维度:同一集市的维度表,内容相同或包含; 一致性事实:不同集市的同一事实,需保证口径一致,单位统一。
  • 分析——描述统计——交叉表——将变量拖入“行”和“列”框中——点击右侧的“统计”——勾选“kappa”
  • 主要解决验证矩阵一致性问题 定义一个函数,读取粘贴板(从复制excel复制表格) GetMatrix = function() { tmp = read.table("clipboard",sep = "\t",header = F) tmp = as.matrix(tmp) 9+1 weight(tmp) CRtest...
  • matlab一致性检验

    千次阅读 2022-01-03 23:14:05
    % 一致性检验 a_max = max(eig(D));% a_max为最大特征值 disp(['λmax = ',num2str(a_max)]) [~,n] = size(D); % 使用不到的数可以替换为~ CI = (a_max-n)/(n-1); disp('CI = ');disp(CI) % RI为平均随机一致性指标...
  • 一致性评价: 指对两个或多个相关的变量进行分析,从而衡量其相关性的密切程度 一致性评价——皮尔森相关系数法(pearson) 皮尔森相关系数的应用背景: 1、用来衡量两个用户之间兴趣的一致性 2、用来衡量预测值与...
  • ConcurrentHashMap是弱一致性分析

    千次阅读 2016-03-16 21:51:54
    本文将用到Java内存模型的happens-before偏序关系(下文将简称为hb)以及ConcurrentHashMap的底层模型相关的知识。happens-before相关内容参见:JLS ...ConcurrentHashMap的详细介绍以及底层原理见深入分析ConcurrentHa
  • 第26章 一致性分析

    2020-03-25 17:02:15
    SPSS实战与统计思维 第26章 一致性分析 在试验性研究中,很多的时候,我们期待的结果是发现组间差异具有统计学意义,然而在医疗器械以及体外诊断试剂研究中,我们期待的是差异无统计学意义,为什么呢?因为待评价的...
  • SPSS新手教程—kappa一致性检验

    万次阅读 2021-05-27 16:02:06
    IBM SPSS Statistics中的kappa一致性检验一般用于双向有序分类资料,所谓双向有序分类资料其实是一个用于等级评定的二维列表。比如下图中的将一个考生的答案与标准答案进行对比的二维列表。 图1:双向有序分类...
  • kappa系数一致性检验和配对卡方检验SPSS详细操作:一、问题与数据有两种方法可用于诊断某种癌症,A方法简单易行,成本低,患者更容易接受,B方法结果可靠,但操作繁琐,患者配合困难。某研究选择了53例待诊断的门诊...
  • 上一篇:订单业务的一致性(CAP中的C【Consistency】)-01问题的提出 1.什么是分布式系统 分布式系统:是由一组通过网络进行通信、为了完成共同的任务而协调工作的计算机节点组成的系统。分布式系统的出现是为了用...
  •  可用性(Availability)和一致性(Consistency)是分布式系统的基本问题,先有著名的CAP理论定义过分布式环境下二者不可兼得的关系,又有神秘的Paxos协议号称是史上最简单的分布式系统一致性算法并获得图灵奖,...
  • 基于相位一致性的边缘检测

    万次阅读 热门讨论 2017-11-16 20:29:48
    相位一致性原理: wiki: https://en.wikipedia.org/wiki/Phase_congruency 相位一致性是指在图像的频率域中,边缘相似的特征在同一阶段出现的频率较高。相位一致性的理论依据是人眼感知图像信息时主要靠的是图像...
  • 层次分析法(The Analytic Hierarchy Process即 AHP)是由美国运筹学家、 匹兹堡大学教授T . L. Saaty于20世纪70年代创立的一种系统分析与决策的综合 评价方法,是在充分研究了人类思维过程的基础上提出来的,它较...
  • 层次分析法判断矩阵求权值以及一致性检验程序function [w,CR]=mycom(A,m,RI)[x,lumda]=eig(A);r=abs(sum(lumda));n=find(r==max(r));max_lumda_A=lumda(n,n);max_x_A=x(:,n);w=A/sum(A);CR=(max_lumda_A-m)/(m-1)/RI...
  • Python_文本分析_困惑度计算和一致性检验

    千次阅读 热门讨论 2020-06-02 17:02:52
    在做LDA的过程中比较比较难的问题就是主题数的确定,下面介绍困惑度、一致性这两种方法的实现。 其中的一些LDA的参数需要结合自己的实际进行设定 直接计算出的log_perplexity是负值,是困惑度经过对数去相反数得到...
  • 临床上的一致性检验指的在诊断试验中,研究者希望考察不同的研究方法在诊断结果上是否具有一致性。分为两种情况:一是评价待评价的诊断试验方法与金标准的一致性;二是评价两种化验方法对同一样本的化验结果的一致性...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 779,846
精华内容 311,938
关键字:

一致性分析