评价类模型的应用
评价类模型目的往往是按照一定的规则在许多方案中选择一个最好的方案，本质上就是对各种方案做出评价。例如，高考结束了，你是选择南大还是武大呢？已知今天空气中几种污染气体的浓度，如何确定空气质量等级呢？放假想要出去旅游，有好几个备选目的地，如果只能选一个，该去哪里呢？
评价类模型的三个考虑（以选学校为例）
1.评价的目标是什么？（选择学校）
2.达成目标的方案有哪些？（选择南大或者选择武大，）
3.评价的指标/准则是什么？（学科实力，校园景色，男女比例等等）
问题的解决
解决评价类模型的方法主要有四种，分别是层析分析法，TOPSIS法，模糊综合评价法，灰色关联分析法。其原理各有差别，但是大体上都是差不多的，也就是通过加权求和进行打分，最后选出最高分。区别便是不同的方法里，“分数”的表示不太相同。
层次分析法（AHP）
应用对象：主要用于解决各种评价类问题。其适用对象往往是，不给出具体指标及指标权重，也不给出每一种方案在指标内部的权重。
例如，小明想去旅游，有苏杭，北戴河，桂林三个城市可以选择，请确定评价指标，形成评价体系为小明选择最佳方案。（此题有评价目标，但无方案或者评价指标）
对于没有给出评价指标的问题，要确定指标可以采取的方法，
1.结合生活常识，或者他人已经完成的研究来设定评价指标。例如我们自己去旅游时，会考虑景色，住宿价格，交通等等。
2.有时候自己考虑不太全面，需要参考别的研究中用到的指标，可以去知网等论文平台进行查询。
3.没有找到相关文献，进行小组头脑风暴，查阅知乎百度，找到相对比较全面的评价指标。
确定指标后，指标权重采用层次分析法
层次分析法的思想如下：对于多个指标，我们可以两个两个进行比较评价，根据两两比较的结果来判断权重。为了进行量化，层次分析法使用了九个等级18个数字来比较两个指标之间的重要性（满意度），如下图
量化之后，列判断矩阵：
。
这是一个5×5的方阵，所有的判断矩阵都是方阵，我们记为A，对应的元素为aij，其中的意思是与指标j相比，指标i的重要程度。例如矩阵中a25=5，花费相对于交通，就是明显重要。实际意义上就代表我们可以为了节省花费而选择更便宜的交通。判断矩阵主对角线元素都是1，也就说明相同指标是一样重要的。同时，aij>0且aijaji=1，我们称满足这一条件的矩阵为正互反矩阵*
一致矩阵
aij=i的重要程度/j的重要程度，ajk=j的重要程度/k的重要程度，那么aik=i的重要程度/k的重要程度=aijajk因为我们用1~9量化指标对指标的重要程度时，隐含了将指标j的重要程度设为1的假设,而如果一个正互反矩阵，满足aik=aijaik,是一致矩阵。这里给出两个矩阵，一个是一致矩阵，一个不是。
如果一个判断矩阵是一致矩阵，那么我们应用层次分析法，如果我们的判断矩阵最终和一致矩阵不同，对于判断矩阵，我们也需要进行一定的检验——一致性检验。一致性检验用来检测判断矩阵与一致矩阵的偏差度，如果偏差在接受范围内，那么我们可以接受这个判断矩阵作为我们心理预期的量化指标。如果偏差无法接受，那则说明，我们在层次分析法的框架下，对于心理预期的量化是失败的。如果还想运用层次分析法解题，就要重新判断了。
判断一致性需要将判断矩阵的最大特征值与阶数进行比较。一共需要三步：
进行一致性检验之后，计算各个指标的权重
三种不同的方法计算权重，分别是算术平均数求权重，几何平均数求权重，特征值法求权重。
算数平均：如果判断矩阵是一个一致矩阵，同一指标在每一列的权重都是相同的。以不同的指标的重要性作为基准1时，同一指标的权重可能是不同的，那就取平均数
特征值法求权重
权重矩阵后开始打分
