灰色关联法 —— python

目录

1.简介

2.算法详解

2.1 数据标准化

2.2 计算灰色相关系数

2.3 计算灰色关联度系数 

3.实例分析

3.1 读取数据

 3.2 数据标准化

3.3 绘制 x1,x4,x5,x6,x7 的折线图

3.4 计算灰色相关系数

 完整代码

1.简介

        对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。

        灰色关联分析可以用于衡量因素相关程度的同时，也有论文将其用于综合评价，其原理思想和TOPSIS法是比较相似的。 

2.算法详解

2.1 数据标准化

 因为每个指标的数量级不一样，需要把它们化到同一个范围内再比较。标准化的方法比较多，这里仅用最大最小值标准化方法。

        设标准化后的数据矩阵元素为rij,由上可得指标正向化后数据矩阵元素为 (Xij)'

2.2 计算灰色相关系数

我们常见的灰色相关系数表达式如下：

   Xo(k)为参考列,p为分辨系数。它的范围为（0~1），它的作用为控制区分度，它的值越小，区分度越大，它的值越大，区分度越小。  常常取0.5。乍一看这个公式还是有些难懂，接下来详细介绍一下它的原理。

2.3 计算灰色关联度系数 

• 参考向量的选择

        例如研究x2指标与x1指标之间的灰色关联度。所以将x1列作为参考向量，即要研究与谁的关系，就将谁作为参考。设参考向量为Y1=x1，生成新的数据矩阵 X1=x2.

• 生成绝对值矩阵 

设生成的绝对值矩阵为A