### 使用Python实现TOPSIS模型的模型检验方法及代码示例 #### 模型检验的核心步骤 模型检验是验证TOPSIS模型在特定数据集上的适用性和准确性的重要过程。通常，模型检验包括以下内容： - **输入数据的正确性**：确保输入数据无误并符合模型要求。 - **权重计算的合理性**：通过熵权法或其他方法验证权重分配是否合理[^2]。 - **理想解和负理想解的计算**：检查理想解和负理想解是否准确计算。 - **贴近度的分布分析**：分析贴近度的分布是否符合预期。 以下是使用Python实现TOPSIS模型检验的具体代码示例。 --- #### 代码实现 ```python import numpy as np from sklearn.preprocessing import MinMaxScaler ### 数据读取与预处理 def preprocess_data(data_matrix): """ 对数据进行归一化处理。 """ scaler = MinMaxScaler() normalized_data = scaler.fit_transform(data_matrix) return normalized_data ### 熵权法计算权重 def calculate_weights(normalized_data): """ 使用熵权法计算各指标的权重。 """ # 计算概率矩阵 prob_matrix = normalized_data / np.sum(normalized_data, axis=0) # 避免log(0)错误 prob_matrix[prob_matrix == 0] = 1e-6 # 计算熵值 entropy_value = -np.sum(prob_matrix * np.log(prob_matrix), axis=0) / np.log(normalized_data.shape[0]) # 计算权重 weights = (1 - entropy_value) / np.sum(1 - entropy_value) return weights ### 计算理想解和负理想解 def calculate_ideal_solutions(normalized_data, types, weights): """ 根据权重计算理想解和负理想解。 """ ideal_positive = np.zeros(weights.shape[0]) ideal_negative = np.zeros(weights.shape[0]) for i, type_ in enumerate(types): if type_ == 1: # 正向指标 ideal_positive[i] = np.max(normalized_data[:, i] * weights[i]) ideal_negative[i] = np.min(normalized_data[:, i] * weights[i]) elif type_ == -1: # 负向指标 ideal_positive[i] = np.min(normalized_data[:, i] * weights[i]) ideal_negative[i] = np.max(normalized_data[:, i] * weights[i]) return ideal_positive, ideal_negative ### 计算欧几里得距离 def calculate_distances(normalized_data, ideal_positive, ideal_negative, weights): """ 计算每个方案到理想解和负理想解的距离。 """ d_positive = np.sqrt(np.sum(((normalized_data * weights) - ideal_positive) ** 2, axis=1)) d_negative = np.sqrt(np.sum(((normalized_data * weights) - ideal_negative) ** 2, axis=1)) return d_positive, d_negative ### 计算贴近度 def calculate_closeness(d_positive, d_negative): """ 计算每个方案的贴近度。 """ closeness = d_negative / (d_positive + d_negative) return closeness ### 模型检验函数 def topsis_model_inspection(data_matrix, types): """ 实现TOPSIS模型及其检验。 """ # 数据预处理 normalized_data = preprocess_data(data_matrix) # 权重计算 weights = calculate_weights(normalized_data) # 理想解和负理想解计算 ideal_positive, ideal_negative = calculate_ideal_solutions(normalized_data, types, weights) # 距离计算 d_positive, d_negative = calculate_distances(normalized_data, ideal_positive, ideal_negative, weights) # 贴近度计算 closeness = calculate_closeness(d_positive, d_negative) # 输出结果 print("标准化后的数据：\n", normalized_data) print("计算得到的权重：\n", weights) print("理想解：\n", ideal_positive) print("负理想解：\n", ideal_negative) print("每个方案到理想解的距离：\n", d_positive) print("每个方案到负理想解的距离：\n", d_negative) print("每个方案的贴近度：\n", closeness) return closeness # 示例数据 data_matrix = [ [8, 7, 9], [6, 8, 7], [7, 6, 8] ] # 指标类型：1为正向指标，-1为负向指标 types = [1, 1, 1] # 调用模型检验函数 closeness = topsis_model_inspection(data_matrix, types) ``` --- #### 说明 上述代码实现了TOPSIS模型的完整流程，并对每个关键步骤进行了输出，便于进行模型检验[^3]。 1. **数据预处理**：使用`MinMaxScaler`对数据进行归一化处理，确保不同量纲的数据能够公平比较。 2. **权重计算**：采用熵权法计算权重，避免主观赋权带来的偏差。 3. **理想解和负理想解计算**：根据权重调整后的数据，分别计算理想解和负理想解。 4. **距离计算**：通过欧几里得距离公式计算每个方案到理想解和负理想解的距离。 5. **贴近度计算**：基于距离计算每个方案的贴近度，用于最终排序。 --- ###