AHP层次法

最新推荐文章于 2023-01-31 10:57:52 发布

原创最新推荐文章于 2023-01-31 10:57:52 发布 · 515 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#数据分析

python 专栏收录该内容

4 篇文章

订阅专栏

在无监督聚类后，通过AHP层次法解决业务簇对应问题。通过详细步骤介绍，包括链接到相关文章，解释如何进行一致性检验以获取有效的字段权重，以进行更合理的加权求和。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.问题：

最近因为用到了无监督聚类，在通过轮廓系数确定最佳类别数后，对判断哪个簇具体属于哪个业务对应的簇出现了一点问题，如果单单通过将每类的中心点进行相加，按得分排序来对应业务，觉得太粗暴，如果做到加权求和的话，就会显的比较合理，但是因为不清楚哪一列的字段属性权重值是多少，所以导致无法进行加权求和，所以这边引入了AHP层次求解各数据字段权重的方法。

2.AHP层次法

这篇文章写的很详细，可以参考一下，https://blog.youkuaiyun.com/mmm_jsw/article/details/84863416。可以得知最后的字段权重就是判断矩阵里最后归一化后的特征向量，不过这个判断矩阵得尽兴一致性检验，验证成立以后，才是符合的结果，且一致性指标CI越接近于0，就越符合一致性，但是注意一点，如果求出的CI是负值的话，是不可行的。就需要重新设置判断矩阵，再重新计算CI值，且CI需<0.1，会认为不一致程度在可以容许的范围内。

3.实践

def aph_weight(x,y,z):
    judgment_matrix={'matrix_1':[1, x, 1/y],
                     'matrix_2':[1/x, 1, 1/z],
                     'matrix_3':[y, z, 1]}
    judgment_matrix=pd.DataFrame(judgment_matrix)
    judgment_matrix_=judgment_matrix.copy()
    for i in judgment_matrix.columns:
        total=judgment_matrix[i].sum()
        fun = lambda x:x/total
        judgment_matrix[i]=judgment_matrix[i].apply(fun)
    
    feature_vector=judgment_matrix['matrix_1']+judgment_matrix['matrix_2']+judgment_matrix['matrix_3']        
    feature_vector=pd.DataFrame(feature_vector/feature_vector.sum(),columns=['feature_vector']) 
    w_matrix=np.mat(feature_vector)
    A_matrix=np.mat(judgment_matrix_)
    A_w=A_matrix * w_matrix
    max_vector=float((A_w[0]/w_matrix[0]+A_w[1]/w_matrix[1]+A_w[2]/w_matrix[2])/3)  
    ci=(max_vector-3)/(3-1)
    cr=ci/0.58
    if(cr<0.1):
        return w_matrix
    else:
        return 'Adjustment judgment matrix'