数学建模:变异系数法

这篇具有很好参考价值的文章主要介绍了数学建模:变异系数法。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

🔆 文章首发于我的个人博客:欢迎大佬们来逛逛

变异系数法

变异系数法的设计原理是:

  • 若某项指标的数值差异较大,能明确区分开各被评价对象,说明该指标的分辨信息丰富,因而应给该指标以较大的权重
  • 若某项指标的数值差异较小,那么这项指标区分各评价对象的能力较弱,因而应给该指标较小的权重

因为方差可以描述取值的离散程度,即某指标的方差反映了该指标的的分辨能力,所以可用方差定义指标的权重。

注意:使用变异系数法的前提恰恰是所有指标在评价体系中的重要性相当。也就是说,当指标在评价体系中的重要性相差较大时,使用变异系数法确定权重并不一定合适。

算法流程

  1. 创建原始指标数据矩阵: D a t a Data Data 形状为 m ∗ n m * n mn 列 ,表示有 m m m 行对象, n n n个指标
  2. D a t a Data Data进行指标正向化处理,然后进行指标标准化处理
  3. 计算第 j j j 项指标的均值和标准差:
    1. 实际上我们进行变成时,计算均值和标准差也就是一条语句而已。 meanstd

{ x ˉ j   =   1 n   ∑ i = 1 n x i j S j   = ∑ i = 1 n ( x i j   − x ˉ j   ) 2 n − 1 \left\{\begin{array}{rcl}\mathrm{\bar x_j~=~\frac1n~\sum_{i=1}^nx_{ij}}\\\\\mathrm{S_j~=\sqrt{\frac{\sum_{i=1}^n\left(x_{ij}~-\bar x_j~\right)^2}{n-1}}}\end{array}\right. xˉj = n1 i=1nxijSj =n1i=1n(xij xˉj )2

  1. 计算第 j j j 项指标的变异系数 V V V

v j   =   s j x ˉ j   ,   j = 1 , 2 , ⋯   , p \mathrm{v_j~=~\frac{s_j}{\bar{x}_j}~,~j=1,2,\cdots,p} vj = xˉjsj , j=1,2,,p

  1. 对各指标的变异系数进行归一化处理。

w j = V j ∑ j = 1 p v j \mathrm{w_j=\frac{V_j}{\sum_{j=1}^pv_j}} wj=j=1pvjVj

  1. 最后我们得到全部指标的权重

W = { w 1 , w 2 , ⋯   , w p } \text{W}=\{\mathrm{w}_1,\mathrm{w}_2,\cdots,\mathrm{w}_\mathrm{p}\} W={w1,w2,,wp}文章来源地址https://www.toymoban.com/news/detail-681578.html


代码实现

function [Score,w]=mfunc_variableCoefficient(data)
    % 变异系数法:求解每个指标的权重
    % paramts: 
    %      data: 原始数据矩阵,(m,n) m为评价对象,n为评价指标
    % returns:
    %      Score:每个评价对象的综合得分
    %      w:     所有指标的权重

    %数据标准化 
    for j=1:size(data,2)
        data(:,j)= data(:,j)./sqrt(sum(data(:,j).^2));
    end
    
    A=mean(data); %求每列指标平均值
    S=std(data);  %求每列指标方差
    
    %计算变异系数
    V=S./A; 
    %计算各指标的权重
    w=V./sum(V);
    %计算得分
    s=data*w';
    Score=100*s/max(s);
end

到了这里,关于数学建模:变异系数法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数学建模.皮尔逊相关系数假设检验

    一、步骤 查表找临界值 二、更好的方法 三、使用条件 作图可以使用spss 这个图对不对还不好说,因为还没进行正态分布的验证 四、正态分布验证 (1)JB检验 所以之前的数据的那个表是错的,因为不满足正态分布 (2)Shapiro-wilk检验 看最后一列,为p值,由此观之,不符合原

    2024年01月18日
    浏览(46)
  • 数学建模冲国奖之——Person相关系数和Spearman相关系数

      目录 一、简介 二、Person相关系数 三、相关性可视化 四、皮尔逊相关系数的理解误区 五、对皮尔逊相关系数的两点总结 六、Person系数习题 七、Person系数假设检验适用前提 八、Spearman相关系数 九、Spearman相关系数假设检验  十、两者适用性 本讲我们介绍两种最常用的相关

    2024年02月06日
    浏览(35)
  • 【数学建模】皮尔逊相关系数和假设检验

    为了说明两组数据之间的相关性,例如身高与50米跑步的成绩,我们引入相关系数,本文先介绍person相关系数以及在特定情况下的使用方法。 Person相关系数在 满足特定条件下 用来衡量两个变量之间的相关性。 在正式介绍person相关系数之前,我们先引入协方差的概念 协方差是

    2024年02月09日
    浏览(37)
  • 数学建模【基于清风】:相关系数法与多元线性回归

    个人理解为:如果当X增加时,Y趋向于减少,斯皮尔曼,皮尔逊相关系数则为负。斯皮尔曼,皮尔逊相关系数为零表明当X增加时Y没有任何趋向性。当X和Y越来越接近完全的单调相关时,斯皮尔曼相关系数会在绝对值上增加。 如 但是,对于相关系数来说,相关系数的大小与其

    2024年02月08日
    浏览(57)
  • 数学建模:相关性分析学习——皮尔逊(pearson)相关系数与斯皮尔曼(spearman)相关系数

    目录 前言 一、基本概念及二者适用范围比较 1、什么是相关性分析 2、什么是相关系数 3、适用范围比较 二、相关系数 1.皮尔逊相关系数(Pearson correlation) 1、线性检验 2、正态检验 3、求相关系数 2、斯皮尔曼相关系数(Spearman correlation) 1、秩相关系数 2、使用条件 3、求相

    2024年01月17日
    浏览(42)
  • OLS回归模型-斯皮尔曼相关系数-数值模拟-多目标规划-养老服务床位需求预测与运营模式研究-之数学建模

    数学建模 -OLS回归模型 斯皮尔曼相关系数 数值模拟 多目标规划-养老服务床位需求预测与运营模式研究 养老服务床位需求预测与运营模式研究 摘要         随着时间的推移,我国人口老龄化逐渐增多,老龄化的社会问题越来越突出,从2009年到2018年,无论是老年人口数量

    2024年02月09日
    浏览(46)
  • 2023年数学建模:旅行商问题:数学建模与MATLAB实现

    目录 引言 问题定义 解决策略 MATLAB实现 数学建模案例

    2024年02月11日
    浏览(43)
  • 【数学建模】《实战数学建模:例题与讲解》第五讲-微分方程建模(含Matlab代码)

    如果这篇文章对你有帮助,欢迎点赞与收藏~ 微分方程建模是数学建模中一种极其重要的方法,它在解决众多实际问题时发挥着关键作用。这些实际问题的数学表述通常会导致求解特定的微分方程。将各种实际问题转换为微分方程的定解问题主要包括以下几个步骤: 确定研究

    2024年03月18日
    浏览(73)
  • 【数学建模】《实战数学建模:例题与讲解》第六讲-假设检验(含Matlab代码)

    如果这篇文章对你有帮助,欢迎点赞与收藏~ 假设检验是一种统计决策过程,用于判断样本数据是否支持某个特定的假设。主要有两类假设: 零假设(Null Hypothesis):通常表示为没有效应或差异的假设。 备择假设(Alternative Hypothesis):表示有效应或差异的假设。 假设检验的

    2024年02月03日
    浏览(57)
  • 【数学建模】《实战数学建模:例题与讲解》第七讲-Bootstrap方法(含Matlab代码)

    如果这篇文章对你有帮助,欢迎点赞与收藏~ Bootstrap方法是一种统计技术,用于估计一个样本统计量的分布(例如均值、中位数或标准偏差)。它通过从原始数据集中重复抽取样本(通常是带替换的)来工作,允许评估统计量的变异性和不确定性。这种方法特别有用于小样本

    2024年01月22日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包