首页 > 其他分享 >指标

指标

时间:2023-11-26 11:12:12浏览次数:29  
标签:RV 模型 NSE 流量 观测 指标 土壤湿度

pcc

PCC指标,即Pearson相关系数(Pearson Correlation Coefficient),是用来衡量两个变量之间线性相关程度的统计指标。它是一种最常用的相关系数,主要用于度量两个变量X和Y之间的相关(线性相关)程度。其取值范围在-1到1之间。

  1. 计算公式
    Pearson相关系数的计算公式是:
    image

    [
    r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i - \bar{X})^2 \sum (Y_i - \bar{Y})^2}}
    ]
    其中,(X_i) 和 (Y_i) 是两个变量的观测值,(\bar{X}) 和 (\bar{Y}) 分别是这两个变量的均值。

  2. 解释

    • 当 (r = 1) 时,表示两个变量之间有完美的正相关关系。
    • 当 (r = -1) 时,表示两个变量之间有完美的负相关关系。
    • 当 (r = 0) 时,表示两个变量之间没有线性相关关系。
    • (r) 的绝对值越大,表示相关性越强;绝对值越小,表示相关性越弱。
  3. 应用

    • 在统计分析中,PCC常用于探索数据之间的关系,如在生物医学、心理学、市场研究等领域。
    • 它也被用于特征选择,即在机器学习和数据挖掘中识别重要的变量。
  4. 注意事项

    • PCC只能衡量线性关系,对于非线性关系可能无法有效反映。
    • 高的相关系数并不意味着因果关系。
    • 对于离群值敏感,极端值可能会显著影响相关系数的大小。

总的来说,Pearson相关系数是一种描述两个变量线性关系强度和方向的有效工具,但在使用时需要注意其局限性和适用条件。


NSE

NSE(Nash-Sutcliffe Efficiency)是水文学和环境科学中常用的一种模型评估指标,用于评估模型对观测数据的拟合程度。它是由John Nash和J.V. Sutcliffe于1970年提出的。NSE值的范围通常在-∞到1之间,可以用来量化模型预测值与实际观测值之间的一致性。

  1. 计算公式
    NSE的计算公式为:
    image

    [
    NSE = 1 - \frac{\sum_{i=1}^{n}(Q_{obs,i} - Q_{sim,i})2}{\sum_{i=1}(Q_{obs,i} - \bar{Q}{obs})^2}
    ]
    其中,(Q
    ) 是第i个观测值,(Q_{sim,i}) 是第i个模型模拟值,(\bar{Q}_{obs}) 是观测值的平均值,n是观测次数。

  2. 解释

    • 当 NSE = 1 时,表明模型模拟值与观测值完全吻合。
    • 当 0 ≤ NSE < 1 时,表示模型具有一定的预测能力。
    • 当 NSE = 0 时,表明模型预测的效果与平均值没有差别。
    • 当 NSE < 0 时,表示模型预测的效果比平均值还差。
  3. 应用

    • NSE广泛应用于水文模型、气象模型和环境模型的效果评估。
    • 它有助于了解模型对流域水文过程模拟的准确性。
  4. 注意事项

    • NSE对极端值较为敏感,因此在评估模型性能时需要考虑数据的特点。
    • 它不能提供关于模型错误分布的信息。

NSE是一个非常有用的工具,可以帮助科学家和工程师评估和改进他们的模型,特别是在水资源管理和环境监测领域。然而,它也有局限性,通常需要与其他指标一起使用来全面评估模型性能。


RV

在土壤湿度预测领域,RV(Root Mean Square Error,均方根误差)是一个常用的性能评价指标。它主要用于衡量模型预测值与实际观测值之间的差异。RV值越小,表示模型的预测准确度越高。

  1. 计算公式
    RV的计算公式为:
    [
    RV = \sqrt{\frac{\sum_{i=1}^{n}(P_i - O_i)^2}{n}}
    ]
    其中,(P_i) 是第i个预测值,(O_i) 是第i个观测值,n是观测次数。

  2. 解释

    • RV值提供了一个量化模型预测误差的手段。
    • 它是所有预测值与观测值差的平方和的均方根。
    • RV值越接近0,表示模型的预测越准确。
  3. 应用

    • 在土壤湿度预测领域,RV用于评价各种模型(如机器学习模型、统计模型等)预测土壤湿度的准确性。
    • 通过比较不同模型的RV值,可以选出最佳的模型进行土壤湿度预测。
  4. 注意事项

    • RV对异常值非常敏感,一个较大的误差值会显著增加RV值。
    • 它不区分过估计和低估,仅提供总体误差的度量。
    • RV值本身没有提供关于误差分布的信息,所以通常需要与其他统计指标一起使用。

总的来说,RV是评估土壤湿度预测模型性能的一个重要工具,但在使用时应结合其他指标和模型特性进行综合考虑。

flv

您提供的这个函数 _flv 定义了一个名为 FLV(可能代表“流量偏差”或类似概念)的指标,用于计算模型在预测低流量(或类似概念,如低土壤湿度值)时的平均百分比偏差。让我们分步解析这个函数:

  1. 数据组合与排序
    首先,函数将观测值(y_true)和模拟值(y_pred)合并,并按照模拟值(即预测值)进行升序排序。这样做是为了识别出低流量的情况。

  2. 确定低流量范围
    函数接着确定了低流量的范围,这里使用了底部30%作为低流量的判定标准。这意味着所有数据中预测值最低的30%被认为是低流量情况。

  3. 提取低流量数据
    接下来,提取这30%的低流量数据,用于后续计算。

  4. 计算百分偏差
    函数最后计算了模拟值与观测值之间的百分比偏差。计算公式为:
    image

    [
    FLV = \text{mean}\left(\frac{\text{模拟值} - \text{观测值}}{\text{观测值}}\right)
    ]
    这里使用的是平均值,意味着它是这30%低流量情况下偏差的平均表现。

此指标用于评估模型在预测低流量(或低土壤湿度等类似情况)时的准确性。特别地,它关注的是模型在极端条件下的表现,这在实际应用中很重要,因为模型在极端条件下的表现往往对决策影响更大。FLV指标的一个重要特性是它专注于数据的一个子集(即低流量部分),而不是整个数据集。

fhv

您提供的 _fhv 函数定义了一个名为 FHV(可能代表“高峰流量偏差”或类似概念)的指标,用于计算模型在预测高峰流量(或类似概念,如高土壤湿度值)时的平均百分比偏差。这个函数的工作流程如下:

  1. 数据组合与排序
    函数将观测值(y_true)和模拟值(y_pred)合并,并按照模拟值(即预测值)进行升序排序。排序后,高峰值会位于数组的末端。

  2. 确定高峰流量范围
    接着,函数确定了高峰流量的范围,这里使用了前2%作为高峰流量的标准。这意味着所有数据中预测值最高的2%被视为高峰流量情况。

  3. 提取高峰流量数据
    函数提取这2%的高峰流量数据,用于后续计算。

  4. 计算百分偏差
    最后,计算了模拟值与观测值之间的百分比偏差。计算公式为:
    image

    [
    FHV = \text{mean}\left(\frac{\text{模拟值} - \text{观测值}}{\text{观测值}}\right)
    ]
    采用平均值计算表示它是这2%高峰流量情况下偏差的平均表现。

FLV 类似,FHV 指标专注于评估模型在特定极端条件下(这里是高峰流量)的预测性能。这种指标对于评价模型在极端情况下的表现尤为重要,因为这些情况往往对实际应用影响较大。例如,在水文模型中,准确预测高峰洪水流量对于防洪管理和规划至关重要。通过专注于数据的一个特定子集(这里是高峰值部分),FHV 提供了对模型在这些关键情况下表现的洞察。

标签:RV,模型,NSE,流量,观测,指标,土壤湿度
From: https://www.cnblogs.com/xinxuann/p/17856642.html

相关文章

  • 交换产品(ETL)考察指标-异常
    做数据交换项目遇到异常是不可避免的,异常原因:1外部因素,如果源和目标异常或是网络中断2交换产品本身bug导致如何考察一个交换产品是否优秀可以通过交换中遇到的各种异常来评判。1)发现异常功能   一般交换产品会按交换需求,人为创建出“交换任务”或“交换流程”,正式上线后按......
  • Oracle ADG监控指标设计
    当监控OracleDataGuard环境时,以下是一些更详细的指标和监控方法,可用于确保环境的稳定性和可靠性:数据库角色和状态:主库角色和状态:查询V$DATABASE视图,获取主库的角色和状态信息。主要关注DATABASE_ROLE和OPEN_MODE列。备库角色和状态:查询V$DATABASE视图,获取备......
  • Tita 升级|「绩效管理」支持对指标评等级
    1.「绩效管理」支持对指标评等级Tita-OKR和新绩效一体化管理平台使用场景:考核流程中需要对各项指标进行等级评价,并且最终需要输出整体等级2.仪表盘年度统计表支持导出 ......
  • 服务台需要跟踪的3个重要指标MTBF+MTTF+MTTR
    衡量标准是IT服务管理的核心,可提供有关运营的见解,并帮助确定需要持续改进的领域。通常的服务台指标有助于展示内部运营效率。例如,衡量在规定时间内解决问题的工单数量的SLA是展示服务台效率的关键因素。另一方面,故障指标可帮助团队找出IT基础设施中的薄弱环节,并帮助评估对故障......
  • PMP项目财务测量指标
    项目选择,pmp里以财务为选择标准。净现值NPV:越大越好,贷款做项目,在偿还完银行贷款后,剩下的钱则称为净现值NPV内部报酬率IRR:越大越好,简化理解就是盈利潜力。表示一个投资所能达到的预期年平均回报率。回收期PBP:越短越好效益成本比BCR:越大越好,效益与成本的比值,不过这里的成本指多增加成......
  • springboot如何监控各种指标?
    以springboot2.7.17为例: 1:新增如下依赖:<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-actuator</artifactId></dependency> 然后,在你的配置文件(如 application.properties)中添加以下配......
  • 如何获取Linux系统的性能调优指标
    一、Linux下的进程性能指标进程管理在任何操作系统上都是最重要事情。高效的进程管理能够确保应用高效稳定的运行。Linux的进程管理方式类似于Unix的进程管理方式,包含进程调度、中断处理、信号、进程优先级、进程切换、进程状态、进程的内存等等。需要看视频版,点我直达1、进程的概......
  • 单片非晶磁性测量系统磁参量指标
    ​1.概述单片非晶磁性测量系统是专用于测量非晶或纳米晶薄片(带)交流磁特性的装置,由精密励磁及测量装置(40Hz~65Hz,可定制至400Hz)、单片磁导计、全自动测量软件组成。使用该装置可在能耗、效率、材料均匀性/一致性、可靠性、整个生命周期的成本等方面全面优化您的产品。参......
  • 软磁交流测试仪系统磁参量指标
    1.主要应用  2.软磁交流测试仪磁参量指标被测参数最佳测量不确定度( k=2) @1kHz最佳测量重复性主要动态磁特性参数Ps2.0%1.0%μa3.0%1.0%Bm1.0%0.5%Hm1.0%0.5%δ5.0%1.5%其他磁特性参......
  • 关于电商应用性能指标 DTU 的评估
    DTU全称DatabaseTransactionUnit,是一种用于评估和衡量云数据库性能的指标。它最常用于关系型数据库管理系统(RDBMS),特别是在云计算环境中,如MicrosoftAzureSQLDatabase和AmazonRDS等。DTU是一个关键的性能度量标准,帮助开发者和数据库管理员了解其数据库实例的性能状况,以便更......