数学建模——熵权法步骤及程序详解

权重的求解一直都是数学建模的重点关注对象，所以学好建模论文的重要一步就是如何确定权重，今天是来介绍一种客观确定几个指标各自所占的权重的方法——熵权法。之前的数学建模实战里有提到用熵权法确定了每个指标各自的权重，这里展开详细的写一下。

---

---

前言

按照信息论基本原理的解释，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量；根据信息熵的定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大， 该指标对综合评价的影响（即权重）就越大，如果某项指标的值全部相等，则该指标在综合评价中不起作用。因此，可利用信息熵这个工具，计算出各个指标的权重，为多指标综合评价提供依据。

---

一、熵权法的介绍

  我们分析某个因素时，主观地列出了一些有影响力的指标，这些指标已经与因变量存在某种的相关性，不管是正相关还是负相关。指标的值变化会直接影响因素的变化，变化量越大，说明指标对于因素的变化作用也应该是越明显的。
  简单的讲，就是在评价对象时，往往每个对象会有几个指标。那这几个指标哪个指标所占的权重最大呢？我们自己捏造一个好像又不太合理，所以我们瞎分析一下，好像一些变化不是那么大，整体相对平滑的数据，举一个极端的例子：对于所有的样本而言，这个指标都是相同的数值，那么我们可认为这个指标的权值为0，即这个指标对于我们的评价起不到任何帮助。依据这种思想我们就诞生了熵权法。

1、熵权法的应用场景

  熵权法既然是客观赋权法，那么应用有一个前提条件，那就是必须得有数据，没有数据支撑的赋权方法是主观赋权法。
  这种方法虽然简单，但是用于企业的实际问题当中是非常有用的，可以用于确定初步权重，后续可通过其他方法进行优化。

2、熵权法的基本思想

  我们对于一件事情的普遍看法是，越有可能发生的事情，信息量越少；越不可能发生的事情，信息量就越多。而熵的定义我们在高中化学中已经接触过了，有兴趣的同学可以回顾一下，熵的定义是系统的混乱程度，熵越高，系统的状态越混乱，这个定义就很符合我们对事情的普遍看法的定义，所以诞生了名词——信息熵。
  一个随机变量的信息熵越高，则他所带来的信息量越高，那么相对应的，其他变量的信息量会比较低（因为总体信息量(权重)是固定的，为1）
  啊，说到这里，大家不是很理解也很正常滴，主要写论文会用，会抄就可以了。下面进入重点，

3、熵权法的算法步骤

第一步为数据标准化。
  首先需要正向化指标（后续需要用到），当然，如果数据都是非负的，那么可以跳过正向化步骤，公式如下。

  就是指标的值减去最小值，除以指标的振幅。这样子就可以得到正向化后的矩阵Z。

第二步为进行归一化处理
处理公式如下。
$$y_{ij}=z_{ij}/\sum _{i=1}^n{x}_{ij}$$
  此外还可以采用最大最小法、Z-score等方法进行标准化处理。由此可得到行列的标准化矩阵(共有n行m列，一行代表一个样本，一列代表一个指标)
$$Y=(y_{ij}{)}_{nm}$$
第三步计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标
  公式如下：
$$e_j=k\sum _{i=1}^n{y}_{ij}\ln y_{ij}$$
  这里为什么要除以一个常数$k$呢？$k$的取值是为了保证$e_j$可以在区间[0,1]上，当指标的样本值完全一样的时候，k=$\frac{1}{\ln n}$刚好可以令信息熵位于[0,1]之间，所以我们$k$值一般取$\frac{1}{\ln n}$
  熵值越小，信息量越大,有兴趣大家可以试一下画他的函数图像。
第四步计算信息效用值（信息熵冗余度）
  计算方法如下：
$$d_j=1-e_j$$
  信息效用越大，信息量越大。
第五步计算指标的权重系数
  将信息效用值进行归一化，就可以得到每个指标的权重：
$$w_j=d_j/\sum _{i=1}^m{d}_i$$

二、代码程序

matlab代码如下：

clc,clear
%行为样本，列为指标
X=[39414	2823	34877	44562	2036	603	322	934936	929914	1492	29811
54934	1911	52242	35262	3862	908	396	1075563	1030664	1780	29811
96442	2743	88737	303221	4307	1596	694	1104835	1010146	1936	32678
107079	3036	98513	478883	3956	2530	1089	909220	862077	2160	36063
124359	3326	116897	378318	4102	2669	1179	1117851	1123109	2349	38951
140167	3900	130355	261203	4180	3538	1991	1116429	1100510	2446	40324
161523	3989	153722	444755	4309	3727	1593	878466	880226	2637	43211
177681	4669	167161	422267	4630	6629	1867	1048053	1003952	2904	47116
124969	4416	111415	286399	3829	5665	2591	1142395	1112661	3092	49406
146015	3200	129997	228695	5308	4911	2506	1202365	1112475	3252	51119];
[n,m]=size(X);
%% 正向化
z=find(X<=0);
if length(z)~=0for i=1:nfor j=1:mx(i,j)=(X(i,j)-min(X(:,j)))/(max(X(:,j))-min(X(:,j)));endendX=x;
end
%% 归一化
for i=1:nfor j=1:mp(i,j)=(X(i,j)+0.00000000001)/sum(X(:,j));%这里加极其小的数，是为了防止后面当p为0的时候log(p)无法计算end
end
%% 计算第 j 个指标的熵值 e(j)
k=1/log(n);
for j=1:me(j)=-k*sum(p(:,j).*log(p(:,j)));
end
d=ones(1,m)-e; % 计算信息熵冗余度
w=d./sum(d) % 求权值 w

---

总结

熵权法本质
  其实可以看成是方差越大，我们赋予的权重也就越大。
  
熵权法的讨论
  在实际过程操作中，熵权法本身也是具有一定的逻辑问题，例如信息熵小的数值不一定对于因素的影响就小，举个典型的例子，在大学期末综评的时候，参加比赛是可以加分的，发表论文是可以获得加分的，在参加比赛方面大家各有差异，而发表论文的加分项大家几乎都没有，那我们可以说期末综评发表论文没有参加比赛重要吗，显然是不科学的，所以熵权法本身也具有一定的约束性，这是客观赋权法不可避免的。
  
熵权法的拓展
  很多时候我们使用熵权法都是为了做一个综合评价，最经典就是基于熵权法对Topsis模型的修改，当然也有简单暴力是熵值法，权重直接乘以归一化后的原始矩阵即可。