During the LOOCV, model calibration

During the LOOCV, model calibration graphs were created to
assess how well probability predictions for reforestation success
indicator states matched the observed probabilities of reforestation success outcomes in the data. To create a model calibration
graph for an indicator, we split the model prediction probability
range into five classes: 0-0.2, 0.2-0.4, 0.4-0.6, 0.6-0.8 and 0.8-1.0.
For each reforestation site, the actual outcome for each success
indicator was tabulated against the predicted probability for each
indicator state (see Table 3 for an example). For a predicted probability class (e.g. 0.8-1.0), we identified all reforestation sites where
the model predicted either state A or B of an indicator to be within
the class range. We then calculated the actual probability of outcomes for when state A was predicted to be within the class range and for when state B was predicted to be within the class range and combined these to determine the total actual probability of outcomes. The actual probability of outcomes was then plotted to against the midpoint of the model prediction probability ranges to produce calibration graphs.
When the predicted and actual probabilities of outcomes are the same, the model is well calibrated. However, when the predicted probabilities are greater than the actual probabilities of outcomes, the model is over-confident; and when the predicted probabilities are less than the actual probabilities of outcome, the model is under-confident (Norsys Software Corp., 1998).

Kết quả (Việt) 1:

Trong LOOCV, mô hình hiệu chỉnh đồ thị đã được tạo ra để đánh giá tốt như thế nào dự đoán xác suất để trồng thành công chỉ số kỳ phù hợp với các xác suất quan sát kết quả thành công trồng trong dữ liệu. Để tạo ra một mô hình chuẩn đồ thị cho một chỉ báo, chúng tôi chia các mô hình dự đoán xác suất phạm vi vào năm lớp học: 0-0,2, 0,2-0,4, 0,4-0,6, 0,6-0,8 và 0,8-1,0. Cho mỗi trang web trồng rừng, kết quả thực tế cho mỗi thành công chỉ số được tabulated chống lại dự đoán xác suất cho mỗi chỉ số nhà nước (xem bảng 3 ví dụ). Cho một lớp học dự đoán xác suất (ví dụ: 0,8-1,0), chúng tôi xác định tất cả các trang web trồng nơi Các mô hình dự đoán hoặc bang A hoặc B của một chỉ số để trong vòngphạm vi lớp học. Sau đó, chúng tôi tính toán xác suất thực tế của các kết quả cho khi nước A đã được dự đoán là trong phạm vi lớp học và khi nước B được dự đoán là trong phạm vi lớp học và kết hợp này để xác định khả năng thực tế tất cả kết quả. Xác suất thực tế của các kết quả sau đó được vẽ để chống lại các trung điểm của mô hình dự đoán xác suất dãy núi để sản xuất đồ thị hiệu chuẩn.Khi xác suất dự đoán và thực tế của kết quả là như nhau, các mô hình cũng được hiệu chỉnh. Tuy nhiên, khi dự đoán xác suất lớn hơn các xác suất thực tế của kết quả, các mô hình là hơn-tự tin; và khi dự đoán xác suất ít hơn so với các xác suất thực tế của kết quả, các mô hình dưới tự tin (Norsys phần mềm Corp, 1998).

Kết quả (Việt) 2:

Trong LOOCV, đồ thị mô hình hiệu chuẩn được tạo ra để
đánh giá mức độ dự đoán xác suất tốt cho trồng rừng thành công
tiểu bang chỉ số lần xuất hiện các xác suất quan sát các kết quả thành công trồng rừng trong các dữ liệu. Để tạo ra một mô hình hiệu chỉnh
biểu đồ cho một chỉ số, chúng tôi chia các mô hình dự báo khả năng
tầm xa vào năm lớp:. 0-0,2, 0,2-0,4, 0,4-0,6, 0,6-0,8 và 0,8-1,0
Đối với mỗi trang web trồng rừng, kết quả thực tế cho mỗi thành công
chỉ được lập bảng so với xác suất dự đoán cho mỗi
trạng thái chỉ (xem Bảng 3 cho một ví dụ). Đối với một lớp xác suất dự đoán (ví dụ như 0,8-1,0), chúng tôi xác định tất cả các trang web trồng rừng nơi
các mô hình dự báo trong hai trạng thái A hoặc B của một chỉ báo được trong
phạm vi lớp học. Sau đó chúng tôi tính toán xác suất thực tế của các kết quả cho khi nhà nước A được dự đoán là trong phạm vi lớp học và cho khi nhà nước B được dự đoán là trong phạm vi lớp học và kết hợp chúng để xác định tổng xác suất thực của kết quả. Xác suất thực tế của các kết quả sau đó được âm mưu chống lại các trung điểm của các xác suất mô hình dự báo dao động để sản xuất các đồ thị hiệu chuẩn.
Khi xác suất dự đoán và thực tế các kết quả đều giống nhau, mô hình được cũng cỡ. Tuy nhiên, khi xác suất dự đoán là lớn hơn xác suất thực tế của các kết quả, mô hình là quá tự tin; và khi các xác suất dự đoán là ít hơn so với xác suất thực tế của kết quả, mô hình đang được tin (Norsys Software Corp, 1998).