一、自己评分
自己给它一个评分（个人评判5分制）：
内容专业性：4分；
数据真实性：4分；
适用范围广度：4分；
综合评价：4分。

---

---

二、综合评价评论：
（1）内容概述
按照权数产生方法的不同， 多指标综合评价方法可分为主观赋权评价法和客观赋权评价法两大类。其中主观赋权评价法采取定性的方法， 由专家根据经验进行主观判断而得到权数， 然后再对指标进行综合评价。如层次分析法、综合评分法、模糊评价法、指数加权法和功效系数法等。
客观赋权评价法则根据指标之间的相关关系或各项指标的变异系数来确定权数进行综合评价。如熵值法、神经网络分析法、TOPSIS 法、灰色关联分析法、主成分分析法、变异系数法、聚类分析法、判别分析法等。

---

（2）基于神经网络的综合评价法
人工神经网络ANN （Artificial Neural Network） 具有自组织、自学习、自适应、非线性映射等特性， 能对多指标综合评价问题给出一个客观的评价。但是用人工神经网络进行综合评价的难点在于典型训练集的选择， 为此， 出现了其它评价方法与人工神经网络结合的综合评价方法， 主要有：
①粗糙集与人工神经网络结合法[4]：其原理是利用粗糙集RS （Rough Set） 简化评价指标体系， 并用简化后的评价指标体系对原问题进行评价， 以得到的结果作为学习样本， ANN 通过自学习样本集， 掌
握评价体系各指标内在规律， 达到自行评价；
②模糊评价与人工神经网络结合法[7,8]： 该方法采用模糊数学的隶属函数对评价指标进行归一化处理， 由隶属函数的端点值和中间值组成ANN 的学习样本。

---

（3） 基于粗糙集的综合评价法
粗糙集理论RST （Rough Set Theory） 是波兰学者Paw lak 于1982 年提出的一种处理模糊性和不确定性的数学工具[12]。它将权重确定问题转化为粗糙集的属性重要性评价问题， 即通过知识约简得到权重。但是RS理论处理数据用的是符号化的分析方法， 其属性值常取0”，“1”，“2” 等离散数， 而在实际问题中， 绝大多数属性指标值都是连续型的， 必须先将其离散化， 才能进行RS 的属性约简。

---

（4） 基于模糊数学的综合评价法
模糊数学用于综合评价， 主要是应用模糊关系合成原理， 将一些边界不清， 不易定量的因素定量化， 进行综合评价。
在传统的模糊综合评价中， 指标权重不是评价过程中伴随产生的,而是由专家根据自己的经验和对实际的判断主观确定的。选取的专家不同， 得出的权重也不同， 而得到的评价结果也各异。
因此出现了基于模糊数学的综合评价法， 目前主要有： ①熵权模糊综合评价法[18]； ②粗糙集与模糊数学结合法[19]； ③人工神经网络与模糊数学结合法[20]； ④灰色模糊综合评价法[21]。

---

（5） 灰色系统理论的综合评价法
如熵权法与灰色关联度结合法[22]， 它主要是运用信息熵理论，通过熵权法确定各评价指标权重， 然后再利用灰色关联度理论， 计算各被评价方案与标准方案之间的关联度，从而根据关联度的大小对各方案进行优劣排序， 进行综合评价。

---

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~广告一下~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
如果觉得好，值得去收藏，点以下的网址链接，订阅我的文库吧：【免费数据源】和【综合评价方法（统计必学）】（直接，点击，我的文库，名字（）免费数据源即可）
还有，希望有心的朋友，能分享出你拥有的一些数据资源给大家，谢谢了~~{:soso_e166:}{:soso_e166:}
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~广告一下~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

---

三、数据源（免费）
[hide][/hide]