在之前的经历里遇到一些需要确定各部分权重来得出最终结果的问题，例如用户游戏偏好得分的计算、用户价值模型的构建以及贡献度的计算等，所以这篇博客就讲讲如何确定权重~
权重计算方法权重是指某因素在整体评价中的相对重要程度。权重越高，则该因素越重要。权重有两个特点：
每个因素的权重在0-1之间所有因素的权重和为1权重的确定方法有很多，主要分为以下两大类：
主观赋权法客观赋权法思路与优缺点由专家根据经验进行主观判断得到权数，然后对指标进行综合评价。这是一种定性方法，易操作，但主观性强根据历史数据研究指标之间的相关关系或指标与评估 结果的关系来进行综合评价。这是定量研究， 没有考虑决策者的主观意愿和业务经验，同时计算方法较繁琐常用方法层次分析法主成分分析法（或因子分析法）其他方法权值因子判断表法、德尔菲法、模糊分析法、二项系数法、环比评分法、最小平方法、序关系分析法变异系数法、最大熵计数法、均方差法、神经网络、回归分析法等常用方法这里就简单说下两种方法：层次分析法和变异系数法
1.层次分析法
层次分析法简称AHP，是指将与整体决策有关的元素分解成目标、准则、方案等层次，然后进行定性和定量分析的方法。根据总的目标，可以将问题分解为不同的因素，形成一个多层次的分析结构模型，从而最终使问题归结为最低层相对于最高层的相对重要权值的确定或相对优劣次序的排定。
主要步骤有以下几点：
所谓的判断矩阵就是将任意两指标进行对比得出一个重要性结果，然后将这个结果以矩阵的形式进行呈现，其中重要程度差别等级如下：
计算权向量
对于填写完的判断矩阵利用一定数学方法进行层次排序，计算权向量，指每一个矩阵各因素针对其准则的相对权重 da = [[1,3,3,5,3,5,5],[0.33,1,1,3,1,3,3],[0.33,1,1,3,1,3,3],[0.20,0.33,0.33,1,0.33,1,1],[0.33,1,1,3,1,3,3],[0.20,0.33,0.33,1,0.33,1,1],[0.20,0.33,0.33,1,0.33,1,1]]sum = np.sum(da, axis=0)col_arv = da/sumw = np.sum(col_arv, axis=1)w_n = w/np.sum(w)for i in w_n: print i # 权重print np.max(nplg.eig(da)[0]) # 最大特征根 一致性检验
确定权向量后，需要对判断矩阵进行一致性检验。比如A比B重要，B比C重要，但是最后结果显示C比A重要，这样即为不一致。可以利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，归一化后的特征向量即为权向量，若不通过，需重新构造
2.变异系数法
变异系数是刻画离中趋势的重要指标，反映取值的差异和波动，在数值上等于标准差除以均值。为什么变异系数可以用于确定权重呢？因为在评价体系中，傲娇的歌曲因素的取值差异大，则说明该因素难以实现，是反映所评价对象差距的关键因素，因此要赋予更高的权重。
主要步骤要有以下几点：