Model validation and sensitivity an

Model validation and sensitivity analysis are two concluding steps before models can be used to generate predictions or simulate data. The validation process typically involves subjecting the neural network model to an independent set of validation data that were not utilized for the duration of network training. Various error measures are used to gauge the accuracy of the model, including the MSE described previously in Equations 3.2 and 3.3, with output values compared to target values and the pre-diction error calculated. Other measures include the root mean square error (RMSE), the mean absolute error (MAE), and the mean relative error (MRE). Kingston et al. (2005b) described the successful use of the coefficient of efficiency, E, in assessing the in-sample and out-of-sample performance of models developed to guarantee physically plausible hydrological modeling. The value of E is calculated by

Kết quả (Việt) 1:

Mẫu xác nhận và phân tích độ nhạy là hai bước kết luận trước khi mô hình có thể được sử dụng để tạo ra các dự báo hay mô phỏng dữ liệu. Quá trình xác nhận thường liên quan đến subjecting mô hình mạng lưới thần kinh cho một bộ độc lập xác nhận các dữ liệu không được sử dụng trong suốt thời gian mạng đào tạo. Các biện pháp lỗi khác nhau được sử dụng để đo độ chính xác của các mô hình, bao gồm cả MSE được mô tả trước đó trong phương trình 3.2, 3.3, với giá trị đầu ra so với giá trị mục tiêu và lỗi ngôn pháp trước khi tính toán. Các biện pháp khác bao gồm các lỗi có nghĩa là tương đối (MRE), có nghĩa là lỗi tuyệt đối (MAE) và root mean square lỗi (Whattheschmidt). Kingston et al. (2005b) Mô tả việc sử dụng thành công các hệ số hiệu quả, E, trong việc đánh giá hiệu suất trong mẫu và out-of-mẫu của mô hình phát triển để đảm bảo mô hình thủy văn thể chất chính đáng. Giá trị của E được tính bằng

Kết quả (Việt) 2:

xác nhận mô hình và phân tích độ nhạy hai bước kết luận trước khi mô hình có thể được sử dụng để tạo ra các dự đoán hoặc mô phỏng dữ liệu. Quá trình xác nhận thường liên quan chịu các mô hình mạng thần kinh để một bộ độc lập với dữ liệu xác nhận rằng không được sử dụng trong suốt thời gian đào tạo mạng. biện pháp báo lỗi khác nhau được sử dụng để đánh giá độ chính xác của mô hình, bao gồm cả các MSE được mô tả trước đó trong phương trình 3.2 và 3.3, với giá trị sản lượng so với mục tiêu giá trị và các lỗi trước ngôn từ tính. Các biện pháp khác bao gồm các gốc có nghĩa là lỗi vuông (RMSE), sai số tuyệt đối trung bình (MAE), và sai số tương đối trung bình (MRE). Kingston et al. (2005b) đã mô tả việc sử dụng thành công các hệ số về hiệu quả, E, trong việc đánh giá và out-of-mẫu thực hiện trong mẫu của mô hình phát triển để đảm bảo mô hình thủy văn vật lý do chính đáng. Giá trị của E được tính bằng