PASCOCAPSTONE betydning

Det ser ud til at være regressioner på noget emperisk data.

Første er en "vægtet lineær" model hvor koefficienterne m og b er estimeret. Her må r være korrelations koefficienten mellem de emperiske data og modellens resultater i de samme punkter.

Den anden er muligvis en kvadratisk model ligesom den trejde og sidste. De estimerede koefficienter til modellen er her A, B og C. RMSE er Root Mean Square Error, altså en absolut gennemsnitlig fejl imellem modellens resultater og de emperiske data i de samme punkter.

#1

Det ser ud til at være regressioner på noget emperisk data.

Første er en "vægtet lineær" model hvor koefficienterne m og b er estimeret. Her må r være korrelations koefficienten mellem de emperiske data og modellens resultater i de samme punkter.

Den anden er muligvis en kvadratisk model ligesom den trejde og sidste. De estimerede koefficienter til modellen er her A, B og C. RMSE er Root Mean Square Error, altså en absolut gennemsnitlig fejl imellem modellens resultater og de emperiske data i de samme punkter.

Kan du forklare det på lidt lavere niveau?

Første eksempel:

Man antager at et sæt af målte data kan beksrives med en linæer matematisk funktion f(t) på formen:

f(t) = m·t + b

Med regression "fitter" man de målte data så den matematisk beskrevede funktionen f bliver så tæt som muligt på de målte data. Med regression bestemmer man altså koefficienterne m og b i funktionen f.

Korrelations koefficienten r fortæller noget om hvor meget den bestemte model f(t) ligner de målte data. Formelt er korrelationen den lineære sammenhæng mellem f og de målte data. Hvis r=1 så er de helt ens, hvis r=0 så er der ingen lineær sammenhæng.

De 2 sidste eksempler er samme koncept, men med valg af en anden model, nemlig en kvadratisk model:

f(t) = A·t² + B·t + C

Koefficienterne A, B og C er dem man bestemmer med regression.

RMSE fortæller noget om hvor stor en gennemsnitlig "fejl" der mellem de målte data og modellen som man har bestemt med regression. Her vil man naturligvis gerne have at RMSE er så tæt på 0 som muligt, men det er også vigtigt at se RMSE tallet i sammenligning med størrelserne af værdierne i de målte data.