数学建模常见的综合评价方法及预测方法

杨利霞

数学建模常见的综合评价方法及预测方法
% u6 }7 ^6 U4 U  _1 h* X综合评价方法
; U. T* a3 B( k1 p/ [# q
' K* P3 k: ?0 b( o( Q1 T4 B•简单加权法

- A# i1 E5 ]0 Z9 ?1. 线性加权综合法

4 R0 `" @/ [) O' H: b# K( f  J- v9 h适用条件:各评价指标之间相互独立。
# Y% G& s* |  Y- V
# Y8 Y) _/ B; t1 ~! D/ ^: t   对不完全独立的情况，其结果将导致各指标间信息的重复，使评价结果不能客观地反映实际。

主要特点：
9 x) ^  a+ f6 H: n, V9 v
9 Z; i  N6 U8 E0 J1 C: G" _- w  （1）各评价指标间作用得到线性补偿，有“一俊遮百丑”或“一见钟情”的效果 ；
( I0 @- _; c2 m6 F5 M0 c$ q6 T
/ c7 |% V# K6 [& s+ j$ g  （2）权重系数的对评价结果的影响明显；
' f9 u$ A+ R8 z  N5 V4 d
  （3）对指标数据无量纲化没有特定要求。

+ \& v8 j4 |7 F* f! h
$ }5 V9 k  j- n  P) w* ?9 R2.  非线性加权综合法


  V3 q/ k' I8 K5 f* X2 a( K
主要特点：
5 L# b! X) r( B  c5 }! \: m, C
（1）突出了各指标值大小的一致性，即平衡评价指标值较小的指标影响的作用；

（2）权重系数大小的影响不是特别明显，而对指标值的大小差异相对较敏感；
* Q2 I% K. y' C: B
; ]$ [' }6 t& M" Z（3）要求无量纲指标数据均大于等于1。
, ?( a" x; A3 @: d, W
; M* q, D) f# A! ]* f& [1 L# p
! f9 N. @7 U$ n0 P9 D•逼近于理想解的排序法（TOPSIS法）
1 T( U9 \* [. l; v9 [; V
) f, {+ ^0 k% P8 v2 V" o
, L0 S* M; N6 U/ S
2 z9 f0 h; K4 _/ P1 |
+ d+ e& N6 `) [* `; p6 _( d
9 L6 j# h1 I3 x$ ?•层次分析法


•主成分分析法
  }+ R/ K( Y2 K8 @6 L

& W$ }/ X3 Z1 m" @•模糊综合评价法
% \3 j& y; u2 t: r% e8 U% j, H
8 k( h! b' a+ t# H1 P6 g7 m0 ]$ ?
& ~7 l& P+ i% h6 I4 e. ]•聚类分析法

. F$ V: Q6 F5 }$ x
预测方法（具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341）
  e( G7 o9 r5 L1 {0 v  E/ u
& F' p. O6 i# e1.插值与拟合方法：小样本内部预测；
1 O" ]/ `& S2 }  ^( X5 L% g
8 E1 z$ l& g6 J) r8 w; Z2.回归模型方法：大样本的内部预测；
8 k$ s/ j" T) B: D
( U' r7 y3 g& ?$ T* T4 u, k4 e) S1 I
3.灰色预测GM(1,1)：小样本的未来预测；
4 e# @% B7 g/ E7 i2 \
& Y( @" b! Z5 Y- o2 e  b7 \& e4.时间序列方法：大样本的随机因素或周期特征的未来预测；
) D% o& \8 J5 c* g
0 g, r/ R3 K' }0 C: X
6 u' u$ k: l) l) l1 W$ u5.神经网络方法：针对大样本的内部机理复杂的数据的未来预测．


% r4 {7 p  t- S, @原文链接：https://blog.csdn.net/sanganqi_wusuierzi/article/details/54800283

0 _" b3 J9 }3 o3 H+ I
5 x1 U3 v1 X) I8 f6 y

SHINee0525

挺好的 很有意思