目录
1.简介
2.算法解析
3.实例分析
3.1 构造矩阵
3.2 查看行数和列数
3.3 求特征向量
3.4 找到最大特征值和最大特征向量
3.5 计算权重
3.6 一致性检验
3.7 计算评分
完整代码
1.简介
一种主观赋权的方法,在数据集比较小,实在不好比较的时候可以用这个方法,如果有别的选择还是尽量不要用这个算法比较好。
层次分析法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上,利用较少的定量信息使决策的思维过程数学化,从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。
层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后得用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度,它表明各备择方案在某一特点的评价准则或子目标,标下优越程度的相对量度,以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统,而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵,求出其最大特征值。及其所对应的特征向量W,归一化后,即为某一层次指标对于上一层次某相关指标的相对重要性权值。
2.算法解析
例如某研究对象的指标集
然后通过以下表格复制指标n对指标m的重要性
判断矩阵汇总指标n对指标m满足公式
然后通过eig函数求取矩阵的特征向量
一致性检验
其中RI根据指标个数通过下表选择对应的RI值
如果CR<0.10时,则建立的判断矩阵的一致性认为是可接受的,否则应对其进行修正。
3.实例分析
小美要选男朋友了,现有小明、小李两个人选,到底该选谁呢?现在小美要从四个指标去选择,分别是身高、颜值、学历、性格。小美对他们各个指标的评分如下:
由于两者各有其优点,实在令人难以抉择,于是小美根据自己的主观判断,认为如下:
- 1.身高与颜值比较,身高稍重要
- 2.身高与学历相比,同样重要
- 3.身高和性格相比,性格稍重要
- 4.颜值和学历相比,学历介于相同重要和稍微重要之间
- 5.颜值和性格相比,性格明显重要
- 6.性格和学历相比,性格稍重
身高 | 颜值 | 学历 | 性格 | |
身高 | 1 | 3 | 1 | 1/3 |
颜值 | 1/3 | 1 | 1/2 | 1/5 |
学历 | 1 | 2 | 1 | 1/3 |
性格 | 3 | 5 | 3 | 1 |
由此,可得到判断矩阵
3.1 构造矩阵
P=[8,7,6,8;7,8,8,7] %每一行代表一个对象的指标评分
%A为自己构造的输入判别矩阵
A=[1,3,1,1/3;
1/3,1,1/2,1/5;
1,2,1,1/3;
3,5,3,1]P=[8,7,6,8;7,8,8,7] %每一行代表一个对象的指标评分
%A为自己构造的输入判别矩阵
A=[1,3,1,1/3;
1/3,1,1/2,1/5;
1,2,1,1/3;
3,5,3,1]
返回:
3.2 查看行数和列数
[n,m]=size(A)
返回:
3.3 求特征向量
[V,D]=eig(A)
返回:
3.4 找到最大特征值和最大特征向量
tzz=max(max(D)) %找到最大的特征值
c1=find(D(1,:)==tzz);%找到最大的特征值位置
tzx=V(:,c1) %最大特征值对应的特征向量
返回:
3.5 计算权重
%赋权重
quan=zeros(n,1);
for i=1:n
quan(i,1)=tzx(i,1)/sum(tzx);
end
Q=quan
返回:
3.6 一致性检验
%一致性检验
CI=(tzz-n)/(n-1);
RI=[0,0,0.58,0.9,1.12,1.24,1.32,1.41,1.45,1.49,1.52,1.54,1.56,1.58,1.59];
%判断是否通过一致性检验
CR=CI/RI(1,n);
if CR>=0.1
fprintf('没有通过一致性检验\n');
else
fprintf('通过一致性检验\n');
end
返回:
3.7 计算评分
%显示出所有评分对象的评分值
score=P*Q;
for i=1:length(score)
name=['object_score',num2str(i)];
eval([name,'=score(i)'])
end
返回:
完整代码
clear;clc;
P=[8,7,6,8;7,8,8,7]; %每一行代表一个对象的指标评分
%A为自己构造的输入判别矩阵
A=[1,3,1,1/3;
1/3,1,1/2,1/5;
1,2,1,1/3;
3,5,3,1];
[n,m]=size(A);
[V,D]=eig(A);
tzz=max(max(D)); %找到最大的特征值
c1=find(D(1,:)==tzz);%找到最大的特征值位置
tzx=V(:,c1); %最大特征值对应的特征向量
%赋权重
quan=zeros(n,1);
for i=1:n
quan(i,1)=tzx(i,1)/sum(tzx);
end
Q=quan;
%一致性检验
CI=(tzz-n)/(n-1);
RI=[0,0,0.58,0.9,1.12,1.24,1.32,1.41,1.45,1.49,1.52,1.54,1.56,1.58,1.59];
%判断是否通过一致性检验
CR=CI/RI(1,n);
if CR>=0.1
fprintf('没有通过一致性检验\n');
else
fprintf('通过一致性检验\n');
end
%显示出所有评分对象的评分值
score=P*Q;
for i=1:length(score)
name=['object_score',num2str(i)];
eval([name,'=score(i)'])
end