机器学习能否用于综合评价？具体怎么操作？ 第1页

肯定适合呀。

两者又没有那么明显的界限。

很多基本思想是一致的。

比如你讲到的topsis的基本思想改造，改造就可以运用到具体的领域里面来。

1、topsis的夹逼（过程）

上面有流程图。

一般讨论topsis的算法，或者整个过程，主要是讨论 D+ D-的两个距离公式

其实质就是带权值的距离公式。

从纵向的角度考虑就是一个夹逼的过程。

从多维（多列）到2列，再到一列（贴近度的两列是等价的）

里面归一化的部分，求权重的部分，机器学习中是必学的基本内容。

2、一个衣服合适度的问题求解

问题描述，一个女生，拍几张照片上传，然后选定了某款式的衣服，给出女生适合穿哪个型号。

求解过程如下：

上面是原始数据，S代表是小号的衣服。颈部是照片拟合出来的人的颈围，小号衣服最适合的长度。

两者之差称之为松度。这是立刻可以算出的。

上述归一化后的数据。

其中的权重可以由用户投票得出，也可以训练得出。

上面是一个专家经验得到的权重

上面是正负距离

上面是贴近度。

归一化矩阵来看，穿M 、L、XL都可以。

从距离公式上看，L,XL都差不多。都是属于最合适的。

从贴近度看，大号更合适。

这个例子是一个典型的机器学习问题。也是融入了传统的topsis的概念问题。

当然很多搞计算机的反而喜欢写拍照然后拟合这个部分。

即正面照，侧面照或者加一张背面照，然后拟合。