熵权法中的熵值计算公式如图所示：
比如说某个评价的指标完全一样，1,1,1,1,1,1
那么m=6，p1到p6的概率均等于1/6；这个时候的熵值是最大的；所以在计算指标权重时，用这种方法反而是数据越小越混乱；权重越大；所以计算权重时都需要将1-ent值；这里的本质是已经将类别分好的，这里的数值代表属于该类别的样本个数；
而我在决策树算法中看到的熵值，
m=2,p1=1（值为1的是一类）；p2=0，得到的熵值最小为0；数据完全有序；
熵值越大，数据越混乱越无序的结论没有错；当初的疑问是一个指标数据完全一样时，权值肯定为0，那其熵值肯定也为0，数据越乱必然熵值越高，权重也越高；但根据该公式的结论是熵值越大越有序，熵值越小越无序，权重越高；完全混乱了；
本质在于计算的p值方法不同；一种按类别计算的概率（决策树），我根据指标的值不同进行分类，然后计算概率；另一种是用每行都是一个类别，而每列对应的值是属于该类别的数量；
熵权法有一个弊端：如果某个评价指标全为一样的，会将所有数据置0，那么根据如下公式：
那么这个评价指标的所有信息熵都为0，那么数据就无序到了极致；其实这种情况就与本意相反；
个人的处理意见是如果这一列的原始数据全是相同的，如果不为0的话，就不用进行标准化，直接进行信息熵的计算，就会得出信息熵为1，最终权重为0 ，符合实际情况；如果全为0，就加1，重复前面的；
或者从根本上来说直接删除数据完全一样的列，因为该列不会有任何价值
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
