TOPSIS 实施
项目描述
TOPSIS_Vipul_101803491
TOPSIS-Vipul-101803491 是对理想解决方案（TOPSIS）的顺序偏好相似性技术的实现。
它将帮助您根据偏好放置数据，即通过查看数据并执行一些数学运算，它将告诉您最受益的偏好。
如果要从命令行运行代码，请使用以下格式：
python topsis.py <InputDataFile> <Weights> <Impacts> <ResultFileName>
示例：python topsis.py inputfile.csv “1,1,1,2” “+,+,-,+” result.csv
记住！！！！
当您创建 .py 文件时（在本例中为 topsis.py）
只需导入包并通过编写调用函数 just_import_this_fxn_for_whole_topsis_result() ：-
导入 TOPSIS_Vipul_101803491
TOPSIS_Vipul_101803491.just_import_this_fxn_for_whole_topsis_result()
你会看到想要的结果！！！
现在让我们通过一个例子来看看整个事情
样本数据集 决策矩阵a（
| 模型 | 更正 | 序列 | 均方根误差 | 准确性 |
|---|---|---|---|---|
| M1 | 0.79 | 0.62 | 1.25 | 60.89 |
| M2 | 0.66 | 0.44 | 2.89 | 63.07 |
| M3 | 0.56 | 0.31 | 1.57 | 62.87 |
| M4 | 0.82 | 0.67 | 2.68 | 70.19 |
| M5 | 0.75 | 0.56 | 1.3 | 80.39 |
权重 ( w) 尚未规范化，稍后将在代码中进行规范化。
应在 中提供有关正面（+）或负面（-）影响标准的信息I。
上述输入数据集的结果
| 模型 | 更正 | 序列 | 均方根误差 | 准确性 | TOPSIS分数 | 秩 |
|---|---|---|---|---|---|---|
| M1 | 0.79 | 0.62 | 1.25 | 60.89 | 0.639133 | 2 |
| M2 | 0.66 | 0.44 | 2.89 | 63.07 | 0.212592 | 5 |
| M3 | 0.56 | 0.31 | 1.57 | 62.87 | 0.407846 | 4 |
| M4 | 0.82 | 0.67 | 2.68 | 70.19 | 0.519153 | 3 |
| M5 | 0.75 | 0.56 | 1.3 | 80.39 | 0.828267 | 1 |
根据 TOPSIS 方法，排名以表格的形式使用“表格”包显示，排名第一为我们提供最佳决策，最后排名为我们提供最差决策。
下载文件
下载适用于您平台的文件。如果您不确定要选择哪个，请了解有关安装包的更多信息。
源分布
TOPSIS_Vipul_101803491-1.3.tar.gz
（4.1 kB
查看哈希）
内置分布
关
TOPSIS_Vipul_101803491-1.3.tar.gz的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 5735046ddc0e90c8383fc4f27ad444f521241d3e61b6e36ceec8eb70756924d6 |
|
| MD5 | a5197ed56267c7de0791a4d419c135b3 |
|
| 布莱克2-256 | 6968cd28a12ab73c88097d2534b2d5d8bb43a03af383cd1847db6439404ac1e6 |
关
TOPSIS_Vipul_101803491-1.3 -py3-none-any.whl 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 00d2af6fe5410d7d1d9acec98b7f2900245e362e40647ab32e715126d3b5c163 |
|
| MD5 | 2d8d87bbaedac3e4aeab1ef294612489 |
|
| 布莱克2-256 | 865e80fbb8f405f1f7ce5a4b6799209cbffa2a6dd8e86d241b1633b76924e464 |