数据处理与数据建模方法技术总结.pptVIP

数据处理与数据建模方法; 实际中大量信息或海量信息对应着大量的数据或海量数据，从这些数据中寻求所需要的问题答案--数据建模问题。 通过实际对象过去或当前的相关信息，主要研究两个方面问题： （1）分析研究实际对象所处的状态和特征等，依此做出评价和决策； （2）分析预测实际对象未来的变化状况和趋势等，为科学决策提供依据。; 数据处理与数据建模方法;实际对象都客观存在一些相关的数据信息； 如何综合利用这些相关信息给出综合评价结果、制定决策方案，或预测未来？ 这类问题都归结为信息综合利用与评价问题。 ; 依据相关信息对被评价的对象所进行的客观、公正、合理的全面评价。 如果把被评价对象视为系统，则综合评价问题：在若干个(同类)系统中，如何确定哪个系统的运行(或发展)状况好，哪个状况差？即哪个优，哪个劣？ 一类多属性(或多指标)的综合评价问题。;综合评价是科学、合理决策的前提。 综合评价的基础是信息的综合利用。 综合评价的过程是数据建模的过程。 数据建模的基础是数据的标准化处理。 ;综合评价问题的五个要素： ;　 （2）评价指标 它是反映被评价对象(系统)的运行状况的基本要素。 通常问题都有多项指标构成，每一项指标都是从不同的侧面刻画系统所具有某种特征大小的一个度量。 所有的评价指标一起称为综合评价的指标体系。 原则:系统性、科学性、可比性、可测性和独立性。 ;综合评价问题的五个要素 ;综合评价问题的五个要素 ;综合评价问题的五个要素 ;综合评价过程的流程; 二、数据处理的一般方法; 二、数据处理的一般方法; 二、数据处理的一般方法; 2. 数据指标的无量纲化处理方法 ; 二、数据处理的一般方法; 二、数据处理的一般方法; 二、数据处理的一般方法; 二、数据处理的一般方法;　　按国家的评价标准,评价因素一般分为五个等级，如A，B，C，D，E。 如何将其量化？若A-，B+，C-，D+等又如何合理量化？ 简单地对应数字分量化方法是不科学的！ 根据实际问题，构造模糊隶属函数的量化方法是一种可行有效???方法。 　　;　　假设有多个评价人对某项因素评价为A，B，C，D,E共5个等级: {v1 ,v2 ,v3 ,v4,v5}。 譬如：评价人对某事件“满意度”的评价可分为 {很满意，满意，较满意，不太满意，很不满意} 将其5个等级依次对应为5，4，3，2，1。 为取连续量化，取偏大型柯西分布和对数函数作为隶属函数：; 二、数据处理的一般方法; 二、数据处理的一般方法; 三、数据建模的综合评价方法; 2. 非线性加权综合法 ; 三、数据建模的综合评价方法;三、数据建模的综合评价方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法; 四、数据建模的动态加权方法;返回; 四、数据建模的动态加权方法; 五、数据建模的综合排序方法; 五、数据建模的综合排序方法; 1. 指标数据的标准化处理; 1. 指标数据的标准化处理; 1. 指标数据的标准化处理; 2. 动态加权函数的确定 ; 五、长江水质的综合评价模型 ; 4.各城市水质的综合评价 ; 4.各城市水质的综合评价 ; 六、数据建模的常用预测方法