熵權topsis是一種融合了熵值法與topsis法的綜合評價方法。熵值法是一種客觀賦值法，可以減少主觀賦值帶來的偏差；而topsis法是一種常見的多目標決策分析方法，適用於多方案、多物件的對比研究，從中找出最佳方案或競爭力最強的物件。
熵權topsis是先由熵權法計算得到指標的客觀權重，再利用topsis法，對各評價物件進行評價。
熵權topsis法分析步驟通常可分為以下三步：
（1）資料標準化
（2）熵值法確定評價指標的權重
（3）topsis法得到評價物件的排名結果
其中第2、3步由spssau自動計算輸出。
當前有乙個專案進行招標，共有4個承包商，分別是a,b,c,d廠。由於招標需要考慮多個因素，各個方案指標的優劣程度也並不統一。為了保證評價過程中的客觀、公正性。因此，考慮通過熵權topsis法，對各個方案進行綜合評價，從而選出最優方案。
（1）資料標準化
首先，需要對資料進行標準化處理。指標量綱（單位）不一致會造成不同指標的資料有大有小，這樣會影響計算結果。為了消除量綱的影響，分析前需要先對資料進行處理。
正向指標：（x-min）/(max-min)（生成變數-正向化mms）
逆向指標：（max-x）/(max-min)（生成變數-逆向化nmms）
具體標準化的處理方式有很多種，具體結合文獻和自身資料選擇使用即可。不同的處理方式肯定會帶來不同的結果，但結論一般不會有太大的偏倚。
本案例中，**、工程工期、主材用量均為逆向指標；施工經驗率、產品質量合格率、服務水平均為正向指標。按上述步驟分別對正向指標、逆向指標進行標準化處理。
（2）熵權topsis法
選擇【綜合評價】--【熵權topsis】。
將指標項放入【評價指標】框中，點選開始分析。
（1）熵值法確定權重
上表是通過熵值法計算得出的6個指標權重，可以看出指標權重分布相對較為均勻。
各項指標的權重=。
這一步僅僅得到了指標權重，熵值topsis的核心在於topsis法計算出相對接近度。權重值與資料相乘，得到新資料newdata，這一過程是spssau自動完成，利用newdata進行topsis法計算。
（2）topsis法得到每組樣本的競爭力排名
從上表可知，利用熵權法後加權生成的資料(由spssau演算法自動完成)進行topsis分析，針對6個指標進行topsis評價。最終計算得出各評價物件與最優方案的接近程度(c值)，並對c值進行排序，得到最優方案。
根據結果顯示，a廠（評價物件1）是最佳的**商選擇，其次為b廠。
（1）分析之前是否需要進行標準化、歸一化、正向化或逆向化處理等？
如果原始資料中有負向指標（數字越大反而越不好的意思），需要針對此類指標先『逆向化』處理。當確認所有指標均為正向指標（數字越大越好的意思）後，需要接著進標準化處理。
資料進行標準化處理目的在於解決量綱問題，標準化處理的方式有很多，常見是『歸一化』，『區間化』，『均值化』，『求和歸一化』，『平方和歸一化』等等非常多。如果指標資料全部都大於0，spssau建議是使用『均值化』處理，如果指標資料有小於或等於0的資料，spssau建議使用『區間化』（預設將資料壓縮成1~2之間）。
（2）如果分析資料中有負數或者0值如何辦？
如果分析資料有負數或者0，這會導致無法進行熵值法計算，spssau演算法缺省會進行『非負平移』處理。spssau非負平移功能是指，如果某列（某指標）資料出現小於等於0，則讓該列資料同時加上乙個『平移值』【該值為某列資料最小值的絕對值+0.01】，以便讓資料全部都大於0，因而滿足演算法要求。
機器學習 決策樹（使用資訊熵尋找最優劃分）
1 決策樹演算法的思想 資訊熵越小的資料集，樣本的確定性越高，當資料集的資訊熵為 0 時，該資料集中只有一種型別的樣本 訓練資料集中有很多態別的樣本，通過對資料集資訊熵的判斷，逐層劃分資料集，最終將每一類樣本單獨劃分出來 劃分資料集的方式有很多種，只有當按樣本類別劃分資料集時 也就是兩部分資料集中不...
如何智慧型尋找租車問題的最優解
問題是這樣的 傑克管理乙個全國性汽車出租公司的兩個地點。每天，都有一些顧客到這兩個地點租車。如果有車可租，傑克就將車租出並從公司得到10美元的回扣。如果這個地點沒車，傑克就失去了這筆生意。還回的車第二天就可以出租。為了使需要車的地點有車可租，傑克可以在兩個地點間移動車輛，移動每輛車的費用是2美元。我...
如何得到最優解（燈泡問題例）
class solution def bulbswitch self,n int int return int n 0.5 第一眼看到這個問題的時候，我們最先想到的辦法，是遍歷每乙個燈泡，然後計算其switch的次數，然後看奇偶，得到該燈泡最後的開關結果，而第i個燈泡開關的次數則是從1到i中因子的個...