层次分析法（求权重）
（主观性太强不用了）
层次分析法（The Analytic Hierarchy Process即 AHP)
最基础的模型之一，最主要用于解决评价类问题（例如：选择哪种方案最好、哪位运动员或者员工表现的更优秀）
评价类问题关键字：确定评价指标，形成评价体系
解决评价类问题，首先想到的三个问题：
（1）我们评价的目标是什么？
（2）我们为了达到这个目标有哪几种可选的方案？
（3）评价的准则或者指标是什么？（我们根据什么东西来评价好坏）
-
优先选择知网（或者万方，百度学术，谷歌学术等平台）搜索相关文件
-
和小组成员来场头脑风暴+在平台上搜索别人或者专家的看法
**虫部落-快搜：**https://search.chongbuluo.com/
搜索优先级：谷歌>微信>知乎
第一步：建立层次结构图
-> 通过题目找出目标、方案和准则
第二步：建立权重表格
-> 求出指标权重和方案权重
法一：直接打分法
法二：分而治之法
-> 一次性考虑不周，两个两个指标进行比较，最终根据两两比较的结果来推算出权重
第一步：使用程度打分表，填写判断矩阵
计算指标权重的
计算同一指标下方案间权重的
出现问题：几个方案会出现逻辑矛盾（不一致现象：A>B,A=C,B>C）
第二步：一致性检验
-> 判断矩阵和一致矩阵对比
-> 一致矩阵
引理1：一致矩阵A各行成比例，所以矩阵的秩为1，故一致矩阵有一个特征值为n（tr(A)=a11+……+ann)，其余特征值为0；对应特征向量为第一行各元素取反，即第一列
引理2：n阶正互反矩阵A为一致矩阵时，最大特征值为n
当不是一致矩阵时，最大特征值>n
-> 矩阵之间关系
-> 一致性检验
CR > 0.1 如何修正？往一致矩阵上调整~~~
第三步：计算权重
PS:选一列进行计算
-> 算术平均法
->几何平均法
-> 特征值法
求判断矩阵最大特征值和其特征向量，将其归一化处理
第三步：计算各方案得分
局限性
（1）评价的决策层不能太多，太多的话n会很大，判断矩阵和一致矩阵差异可能会很大。
（2）如果决策层中指标的数据是已知的，那么我们如何利用这些数据来使得评价的更加准确呢？
TOPSIS法
第一步：原始矩阵正向化
第二步：正向化矩阵标准化
第三步：计算得分并归一化
熵权法（求权重）
信息熵小，信息清晰；信息熵大，信息杂乱
灰色预测（曲线填充）
数据预处理工作
apha=0.5,所以是1/2
a,b未知
因为我们所得数据不是连续而是离散
保证a,b精度
真实值（已知值）减去拟合值（预测值）的差（残差）
整体是好的，但有小概率问题，在后期进行模型优化
