数学建模数据处理方法

1、2020/7/15，1一般来说，在综合评价指标中，每个指标的值可能属于不同的类型、不同的单位或不同的数量级，这就使得这些指标不可通约，给综合评价带来许多不便。为了尽可能地反映实际情况，消除这些指标之间的差异所带来的影响，避免不合理的评价结果，有必要对评价指标进行预处理。包括指标的统一处理和无量纲处理，2020年7月15日，2日，2020年7月15日，3日，2日。数据处理的一般方法。数据类型的统一处理方法，最大值：有望尽可能大；迷你：的期望值越小越好；中间类型：预期采用适当的中间值；区间类型：的预期值落在某个区间内。什么是一致处理？为什么是一致的？2020/7/15，4，所谓统一就是统一评价指标

2、的类型。一般来说，在评价指标体系中，可能同时存在最大指标、最小指标、中间指标和区间指标，它们都有不同的特点，如产量、利润、业绩等最大指标。人们希望价值越大越好；然而，最低指标如成本、费用、缺陷等。希望值越小越好。对于室内温度、空气湿度和其他中间指标，最好是居中，而不是太大或太小。2020年7月15日，如果指标体系中有不同类型的指标，在进行综合评价之前，必须对评价指标的类型进行统一处理。例如，所有类型的指标都被转换为最大指标或最小指标。一般来说，非最大指标转换为最大指标。但是，不同的指标权重确定方法和评价模型在指标一致性处理上存在差异，2020/7/15，6。一般数据处理方法，1。数据类型一致性

3、处理方法，2020/7/15，7。一般数据处理方法，1。数据类型一致性处理方法，2020/7/7。它是通过数学变换消除原指数单位及其数量级影响的过程。因此，指数的实际值和评估值之间存在差异。无量纲化过程是将指标的实际值转化为指标的评价值的过程。2020年7月15日9时2分。数据指标的无量纲化处理方法，(3)效率系数法：2 .一般数据处理(1)标准差法：(2)极值差分法：2020/7/15，10；2)数据处理的一般方法；3)模糊指标的量化处理方法。在实践中，许多问题涉及模糊指标的定性或定量处理。如：教学质量、科研水平、工作成绩、人员素质、各种满意度、可信度、态度、意识、观念、能力等与政治、社会、

4、人文等领域相关的因素。如何对相关问题进行定量分析？根据国家评价标准，评价因素一般分为五个等级，如甲、乙、丙、丁、戊。如何量化？如果a-，b-，c-，d等。如何合理地量化它们？根据实际问题，构建模糊隶属函数的量化方法是可行和有效的。2。数据处理的一般方法。定性指标的定量处理方法，肇庆代理公司注册肇庆代理工商注册0，2020/7/15/13，假设有几个评价者将一个因素评价为a、b、c、d、e，分为：v1、v2、v3、v4、e五个等级，例如，评价者对一个事件的“满意”评价可分为非常满意、满意、相对满意、不满意和非常不满意，其五个等级依次对应为5、4、3、2和1这里是连续量化，以大柯西分布和对数函数作为隶属函数：2 .数据处理的一般方法，2020/7/15，14，2。数据处理的一般方法。定性指标的定量方法，2020/7/15，15，2。数据处理的一般方法。定性指标的定量方法根据实际情况，可以构造其他隶属函数。例如，取一个大的正态分布。，2020/7/15，16，第三章。数据建模综合评价方法，适用条件：每个评价指标相互独立。在独立性不完全的情况下，评价结果会导致指标间信息的重复，使得评价结果不能客观反映现实。1.线性加权综合方法，主要特点如下：(1)评价指标之间的相互作用是线性补偿的；(2)权重系数对评价结果有明显影响。2020/7/15，17，2。非线性加权综合方法。数据建