该方法首先利用主成分分析法(pca)和 topsis 法确定各评价指标

Metoda najprej uporablja analizo glavne komponente (pca) in topsis za določitev teže vsakega ocenjevalnega indeksa, nato pa preslika n-dimenzionalne značilnosti v k-dimenzionalne. Da bi našli nabor pravokotnih koordinatnih osi iz prvotnega prostora, je izbira novih koordinatnih osi Sami podatki so tesno povezani. Po analogiji je mogoče dobiti n takih koordinatnih osi. S to metodo smo ugotovili, da je varianca v glavnem koncentrirana na sprednji k-osi, varianca na zadnji k-osi pa je skoraj nič, kar lahko uporabimo za zmanjšanje dimenzij podatkovnih značilnosti. Na podlagi normaliziranega izvirnika podatkovna matrika, konstruirajte pozitivno in negativno V idealnem prostoru rešitev predmet, ki ga je treba oceniti, obravnavamo kot točko v prostoru, relativni približek pa dobimo glede na razdaljo med točko in tehtano idealno rešitev, predmet pa je ovrednoteno glede na relativni približek, kjer vsak indeks optimalne rešitve doseže vsako. Optimalna vrednost indeksa vrednotenja, indeks najslabše rešitve doseže najslabšo vrednost vsakega indeksa vrednotenja.

Prvič, teža vsakega ocenjevalnega indeksa se določi z osnovno analizo komponent (PCA) in TOPSIS, n a to pa so n-dimenzionalne značilnosti označene z K-dimenzionalno. Da bi n a šli skupino ortogonskih koordinatnih osi iz prvotnega prostora, je izbira novih koordinatnih osi tesno povezana s samimi podatki. Po analogiji se lahko pridobijo takšne koordinatne osi. S to metodo ugotavljamo, da je varianca v glavnem osredotočena na sprednjo os k, razlika na zadnji osi k pa je skoraj nič, kar se lahko uporabi za zmanjšanje dimenzije podatkovnih elementov. Na podlagi normalizacije prvotne podatkovne matrice ustvarimo pozitiven in negativen idealen prostor za rešitev, ocenjujemo predmet kot to čko v prostoru in dobimo relativno približek glede na razdaljo med točko in tehtano idealno raztopino. Objekt se oceni glede na relativno približek, pri katerem vsak indeks optimalne raztopine doseže optimalno vrednost vsakega ocenjevalnega indeksa, indeks najslabše raztopine pa doseže najslabšo vrednost vsakega ocenjevalnega indeksa.

Ta metoda najprej uporablja glavno metodo analize komponent (pca) in topsis metodo za določanje teže vsakega ocenjevalnega indeksa, nato pa preslika n-dimenzionalno funkcijo v k-dimenzionalno, da bi našli nabor ortogonalnih ses iz prvotnega prostora, je izbira novih os tesno povezana s podatki sami. Po analogiji, lahko dobiš n take sekire. Na ta način ugotovimo, da je varianca v glavnem koncentrirana na prednji k osi, varianca na osi zadaj k je skoraj nič, se lahko uporabi za zmanjšanje dimenzije podatkovnih značilnosti, na podlagi normalizacije prvotne podatkovne matrike, Konstruišite prostor pozitivnog i negativnog idealnog razlučivanja, ocenit ce se objektom u prostoru, u skladu s razdaljinama od točke do ponderiranog idealnog rešitve, dobiti relativnu približnost, a u skladu s relativnim približkom objekta, pri cemu je u skladu s optimalnim indeksom razlučivanja dosegnuta optimalna vrednost evaluacijnih indikatora, najlošji indeks razlučivanja doseže najlošu vrednost od evaluacije.