Оценка - модель
Cтраница 1
Оценка модели позволяет установить, насколько те или иные классы ( сама модель и ее параметры) соответствуют критериям процесса KDD. Оценка предполагаемой точности основана на пересечении утверждений. Оценка описательного качества модели включает точность предсказания, новизну, практическую полезность и понятность подходящих моделей. Для такой оценки используются как логический, так и статистический критерии. Например, принцип максимальной вероятности выбирает параметры для модели, которая наилучшим образом подходит для тренажерных данных. [1]
Оценка модели по критериям Стьюдента и Фишера показала, что коэффициенты уравнения регрессии значимы. Анализ уравнения (7.43) позволил установить, что при бурении турбобуром с применением амортизатора типа КАН-195 при среднестатистической нагрузке на долото 140 кН моментоемкость процесса бурения снижается в 1 4 раза. При этих же условиях продолжительность отработки долота увеличивается в 1 6 раза. [2]
Оценки модели и следствия из ее анализа используются для корректуры модели и подстройки решения. При этом неоднократно приходится возвращаться к работам предыдущих этапов. [3]
Оценка модели данных определяется ее полезностью с точки зрения формирования взглядов на организацию и использование данных. В частях I, II и III настоящей книги мы провели анализ свойств моделей данных, который позволил увидеть, что принципы организации данных и работы с ними могут существенно различаться. В этом плане полезность модели данных зависит от степени ее адекватности моделируемой предметной области. В части IV мы рассмотрим еще три аспекта моделирования данных - проектирование и анализ схемы и, наконец, проблемы различного рода отображений в СУБД. [4]
Проблемы оценки моделей данных и выбора наиболее подходящей для заданного класса задач остаются открытыми. [5]
Уравнения оценки модели исправления ошибок для двух переменных даны в уравнении (7.39), где регрессия А / Г, по прошлым значениям Z и прошлым изменениям X и Y. Здесь мы обобщаем этот процесс для четырех переменных и векторного процесса. [6]
Существуют два метода оценки моделей первичных измерительных преобразователей: детерминированный и вероятностно-статистический. Рассмотрим каждый из них. [7]
При создании и оценке модели мы должны обобщить все доступное нам многообразие знаний о системе. Большинство этих знаний связано с опытом и памятью людей, которые наблюдают за системой и работают в ней. Большое количество информации содержится также в описательной литературе. Числовые или статистические данные, непосредственно пригодные для решения главных задач построения моделей, известны нам лишь в редких случаях. [8]
 |
Блок-схема программы идентификации. [9] |
Как показали исследования, оценка модели методом стохастической аппроксимации программно не сложна и устойчива в широком диапазоне изменения входных сигналов. Такая точность вполне приемлема для рассматриваемых целей, что позволило рекомендовать использование разработанного алгоритма в АСУ ТП ХГПУ. [10]
Критерий униформности означает постоянство дисперсии оценки модели в некоторой области вокруг центра эксперимента. [11]
Этот критерий требует, чтобы дисперсия оценки модели в некоторой области вокруг центра эксперимента оставалась практически постоянной. Данное свойство обычно связывается со свойством ротатабельности. [12]
План 2 разрешающей способности 4 позволяет получить единственные оценки модели Ап. [13]
Для ротатабельного плана поверхности с равными значениями дисперсии оценки модели представляют собой сферы. [14]
Таким образом, мы видим, что при оценке модели к проблеме расчета параметров и интерпретации их значений нужно подходить осторожно. При выборе или развитии модели обычно следует стремиться к компромиссу между математической сложностью модели, числом ее параметров и физическим смыслом. [15]
Страницы: 1 2 3 4