5 评价类算法：CRITIC法笔记（附Python代码）一、原理二、相关概念三、步骤四、代码五、参考链接

53 阅读 0 评论 35 点赞

我是靠谱客的博主鳗鱼春天，最近开发中收集的这篇文章主要介绍5 评价类算法：CRITIC法笔记（附Python代码）一、原理二、相关概念三、步骤四、代码五、参考链接，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

一、原理

1.定义

CRITIC方法是一种客观权重赋权法。它的基本思路是确定指标的客观权数以两个基本概念为基础。一是对比强度，它表示同一指标各个评价方案取值差距的大小，以标准差的形式来表现。二是评价指标之间的冲突性，指标之间的冲突性是以指标之间的相关性为基础，如两个指标之间具有较强的正相关，说明两个指标冲突性较低。

2.作用

CRITIC权重法适用于判断数据稳定性，并且适合分析指标或因素之间有着一定的关联的数据。

二、相关概念

1.对比强度

是指同一个指标各个评价方案之间取值差距的大小，以标准差的形式来表现。标准差越大，说明波动越大，即各方案之间的取值差距越大，权重会越高。其中，假设m个待评对象，n个评价指标。
在这里插入图片描述

2.冲突性

指标之间的冲突性用相关系数进行表示，若两个指标之间具有较强的正相关，说明其冲突性越小，权重会越低。
在这里插入图片描述

3.信息承载量

设信息承载量为Cj，公式为：
在这里插入图片描述

三、步骤

1.数据标准化

每个指标的数量级不一样，需要把它们化到同一个范围内比较。指标也都需要正向化。此篇把正向化和标准化结合。
设有m个待评对象，n个评价指标，可以构成数据矩阵X = (xij)mxn.

若xj为负向指标(越小越优型指标)，需如下处理：
若xj为正向指标(越大越优型指标)，需如下处理：

2.计算信息承载量

根据上述第二部分所列对比强度及冲突性公式，推导得信息承载量公式。
根据以上3个公式，计算所需信息承载量C。

3.计算权重

这里将计算的信息承载量 Cj 进行归一化，即为所计算的权重 W。可以看出，信息承载量越大时，权重越大。
在这里插入图片描述

4.计算评分

将权重 W 与处理后的矩阵 x 相乘，获得测评对象的分数（该公式中，分数未转为百分比形式）。
在这里插入图片描述

四、代码

import numpy as np

'''
4
5
1 1 2 1 1
0.483 13.2682 0.0 4.3646 5.1070
0.4035 13.4909 39.0131 3.6151 5.5005
0.8979 25.7776 9.0513 4.8920 7.5342
0.5927 16.0245 13.2935 4.4529 6.5913
'''

'''1.输入数据'''
print("请输入参评对象数目：")
n = eval(input())
print("请输入评价指标数目：")
m = eval(input())
print("请输入指标类型：1:极大型，2：极小型")
kind = input().split(" ")
print("请输入矩阵：")
X = np.zeros(shape=(n, m))
for i in range(n):
    X[i] = input().split(" ")
    X[i] = list(map(float, X[i]))
print("输入的矩阵为：n{}".format(X))

'''2.标准化处理'''
def maxTomax(maxx, minx, x):
    x = list(x)
    ans = [[(e-minx)]/(maxx-minx) for e in x]
    return np.array(ans)
def minTomax(maxx, minx, x):
    x = list(x)
    ans = [[(maxx-e)]/(maxx-minx) for e in x]
    return np.array(ans)

A = np.zeros(shape=(n, 1))

for i in range(m):
    maxA = max(X[:, i])
    minA = min(X[:, i])
    if kind[i] == "1":
        v = maxTomax(maxA, minA, X[:, i])
    elif kind[i] == "2":
        v = minTomax(maxA, minA, X[:, i])
    if i == 0:
        A = v.reshape(-1, 1)
    else:
        A = np.hstack([A, v.reshape(-1, 1)])
print("标准化矩阵为：n{}".format(A))

'''3.计算对比强度'''
V = np.std(A, axis=0)
print("对比强度为：n{}".format(V))

'''4.计算冲突性'''
A2 = list(map(list, zip(*A))) # 矩阵转置
r = np.corrcoef(A2)   # 求皮尔逊相关系数
f = np.sum(1-r, axis=1)
print("冲突性为：n{}".format(f))

'''5.计算信息承载量'''
C = V*f
print('信息承载量为：n{}'.format(C))

'''6.计算权重'''
w = C/np.sum(C)
print('权重为：n{}'.format(w))

'''7.计算得分'''
s = np.dot(A, w)
Score = 100*s/max(s)
for i in range(len(Score)):
    print(f"第{i+1}个测评对象的百分制得分为：{Score[i]}")