博文
在模型评价中使用1：1图应注意的几点
|||
在模型评价阶段，我们通常的做法是比较实测值与预测值，以评价模拟模型的准确性。由于实测值可以重现，但模拟却不可能重现，从这个意义上讲，比较模型的实测值和预测值并不是非常有效的方法。在目前情况下，这仍是建模者最常使用的方法。
一般，我们把模型评价方法分为两类：图形法和数值比较法。其中，利用图形来展示模型实测值和预测值的一致性是模型建模者使用最广泛的一种方法。我们令x为实测值，y为x相对应的预测值，借助统计学技术，使用无截距直线拟合实测值和预测值。直线的斜率和决定系数作为判断实测值和预测值一致性的指标。如果模型预测效果不存在误差，实测值和预测值则完全相同，每个点均准确落在1：1线上。虽然1：1图可以让人一眼看到模型预测值和实测值的吻合度，但是我们也要谨慎对待这种方法，因为1：1图常容易使建模者低估模型误差水平。原因有二：1、有时候，环境数据呈偏态分布，而非正态分布。如果数据点的分布规律违背标准回归的前提条件，推断统计的结果是不可信的。2、点到1：1线的垂直距离或等效水平距离表示模型误差，而人眼往往直观评价点到1：1线的最短距离。
在某些情况，在1：1图上增加实测值和预测值的回归直线或者取代1：1线。但这种做法有时候更容易误导读者。如果数据点接近回归直接，给人的印象就是模型非常好，但事实上，回归直线所表示的并不是模型误差。1：1图除可以用于籽粒产量等单个输出值的结果变量，也可用于随时间变化有多个输出值的结果变量，如LAI。1：1图还可用于不同类型或水平处理数据，比如不同生态点。使用不同符号表示不同类型数据点，从图上可以判断生态点差异对模型的影响。同样也可以用于不同施肥水平实验，帮助建模者判断是否模型误差取决于肥料水平。
关于数值比较法，国内最常到的就RMSE（根均方差）了，笔者在这里就不作讨论了，不过大家可以讨论一个问题。如果使用1：1图和RMSE检验后，发现结果均理想，那么是否有理由认识我们所构建的模型是成功的模型呢？如果不是，我们还需要做哪些工作？
https://blog.sciencenet.cn/blog-81938-383754.html
上一篇：辐热积计算器
下一篇：土壤肥力综合评价在R语言中的实现
一般，我们把模型评价方法分为两类：图形法和数值比较法。其中，利用图形来展示模型实测值和预测值的一致性是模型建模者使用最广泛的一种方法。我们令x为实测值，y为x相对应的预测值，借助统计学技术，使用无截距直线拟合实测值和预测值。直线的斜率和决定系数作为判断实测值和预测值一致性的指标。如果模型预测效果不存在误差，实测值和预测值则完全相同，每个点均准确落在1：1线上。虽然1：1图可以让人一眼看到模型预测值和实测值的吻合度，但是我们也要谨慎对待这种方法，因为1：1图常容易使建模者低估模型误差水平。原因有二：1、有时候，环境数据呈偏态分布，而非正态分布。如果数据点的分布规律违背标准回归的前提条件，推断统计的结果是不可信的。2、点到1：1线的垂直距离或等效水平距离表示模型误差，而人眼往往直观评价点到1：1线的最短距离。
在某些情况，在1：1图上增加实测值和预测值的回归直线或者取代1：1线。但这种做法有时候更容易误导读者。如果数据点接近回归直接，给人的印象就是模型非常好，但事实上，回归直线所表示的并不是模型误差。1：1图除可以用于籽粒产量等单个输出值的结果变量，也可用于随时间变化有多个输出值的结果变量，如LAI。1：1图还可用于不同类型或水平处理数据，比如不同生态点。使用不同符号表示不同类型数据点，从图上可以判断生态点差异对模型的影响。同样也可以用于不同施肥水平实验，帮助建模者判断是否模型误差取决于肥料水平。
关于数值比较法，国内最常到的就RMSE（根均方差）了，笔者在这里就不作讨论了，不过大家可以讨论一个问题。如果使用1：1图和RMSE检验后，发现结果均理想，那么是否有理由认识我们所构建的模型是成功的模型呢？如果不是，我们还需要做哪些工作？
https://blog.sciencenet.cn/blog-81938-383754.html
上一篇：辐热积计算器
下一篇：土壤肥力综合评价在R语言中的实现
