Skip to content

sadjjk/OverviewAlgo

Repository files navigation

综合评价方法-论如何科学的打分

前言

如果我们想评价一个事物 ,只从单一指标出发评价,会显得很不公正也不科学

因此多数情况下,评价一个事物往往需要涉及多个层次、多个方面的指标进行综合评价

从而得出更加科学合理的结论

评价步骤

yZxHu8.png

  1. 确定评价指标

  2. 确定指标权重

    (部分方法无需确定权重)

  3. 计算对象得分

  4. 评价结果分析

评价方法

综合评价方法有很多 大致分类如下 如下图:

saGr7j.png

总体来说 分为两大类 : 计算指标的权重和直接排序

  • 计算指标权重: 计算出各指标的权重 各对象依据权重计算出最终得分
  • 直接排序:无需计算各指标权重 直接对各对象进行打分
方法 数据波动性 数据相关性 其他
熵值法 熵值
独立性权重
信息量权重
AHP层次法 专家建议
CRITIC权重法
TOPSIS法 理想距离
熵权TOPSIS 熵权+TOPSIS

理论与实践

大多综合评价法使用之前都要进行量纲化同向化

什么是数据的量纲化和同向化?

评价结果、评价方法的好坏,本身就具有很强的主观性。

马克思主义告诉我们“具体问题 具体分析 在矛盾普遍性原理的指导下,具体分析矛盾的特殊性,并找出解决矛盾的正确方法。“

综合评价的方法一般是主客观结合的

方法的选择需基于实际指标数据情况选定,最为关键的是指标的选取,以及指标权重的设置

这些需要基于广泛的调研和扎实的业务知识,不能说单纯的从数学上解决的。

只有最符合业务需要,解决业务痛点的方法才是最好的方法

数据输入

设共有 $n$个待评价对象,每个对象都有$m$个指标(属性),即$n*m$ 的二维数组,如下所示: $$ \begin{pmatrix}
x_{11} & x_{12} & \cdots & x_{1m} \
x_{21} & x_{22} & \cdots & x_{2m} \
\vdots & \vdots & \ddots & \vdots \
x_{n1} & x_{n2} & \cdots & x_{nm}
\end{pmatrix} $$

数据输出

各个评价对象的得分 即n个值得一维数组,如下所示: $$ \begin{pmatrix}
x_{1_score} & x_{2_score} & \dots & x_{n_score} \end{pmatrix} $$

About

综合评价方法-论如何科学的打分

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages