但实际上根据业务情况构造成对比较矩阵时要求满足完全一致的成对比矩阵是不可能的，因此退而要求成对比较矩阵有一定的一致性，即可以允许成对比较矩阵存在一定程度的不一致性。 由分析可知，对完全一致的成对比较矩阵，其绝对值最大的特征值等于该矩阵的维数。对成对比较矩阵的一致性要求，应该满足矩阵绝对值最大的特征值和该矩阵的维数相差不大，矩阵的随机一致性比率不得大于。其中校验成对比较矩阵一致性的步骤如下： 计算衡量一个成对比较矩阵 阶方阵不一致程度的指标，其中 为矩阵的绝对值最大特征值。 从有关资料查出检验成对比较矩阵 一致性的标准其中称为平均随机一致性指标，它只与矩阵阶数 n 有关。
的计算方式为对于固定的
随机构造成 对比较阵，其中是从 VK数据库 中随机抽取的， 这样的是不一致的， 取充分大的子样得到的最大特征值的平均值。 计算成对比矩阵的随机一致性比率时，判定成对比较阵 具有满意的一致性，其不一致程度是可以接受的。否则就调整成对比较矩阵 ，直到达到满意的一致性为止。 .、矩阵权重 成对比矩阵的一致性检验满足要求后 可以通过矩阵的最大特征值对应的特征向量来算出近度、频度、值度各个指标变量对应的权重。 矩阵对应最大特征值的特征向量数学计算公式：。 矩阵对应最大特征值数学计算公式：。
可以用语句求矩阵的
最大特征值对应的特征向量： 的特征值以及 从而影响他们的反馈 特征向量，可以通过其中为成对比较阵的特征值，X的列为相应的特征向量； 最大的特征值，可以通过 以及进行计算，其中表示最大的特征值； 可以通过 进行计算最大特征值对应的特征向量。 实际在使用过程中，需要把矩阵最大特征值对应的特征向量转换成权向量，使得它的各分量都大于零，各分量之和等于 ，这样才能满足对模型中各个指标变量的权重设置，各指标变量的相对重要性由权向量的各分量所确定
权向量的各分量对应的
值就是出R近度、F频度、M值度的计算权重。 权向量等 beb 目录 于自身向量各分量除以自身向量的和，，其中。 比如特征向量-均值聚类法对客户分类 与RFM指标对客户分类不同，分类是示例式学习，要求分类前明确各个类别，一个类别，这种对客户的分类方式并不能满足“每个分类内部的元素之间相异度尽可能低，而不同分类的元素相异度尽可能高”的客户分类要求，反而会出现相同分类中的内部元素之间的相异度高
不同分类中的内部元素之间相异度反而低的情况发生。 聚类是观察式学习，在聚类前可以不知道类别甚至不给定类别数量，是无监督学习的一种。k均值k-mens算法是一种迭代求解的聚类分析算法，所谓聚类问题，就是给定一个元素集合D，其中每个元素具有n个可观察属性，使用某种算法将D划分成k个子集，要求每个子集内部的元素之间相异度尽可能低，而不同子集的元素相异度尽可能高，其中每个子集叫做一个簇。
