Подборки: По Пользовательской Задаче

Страницы с задачами и решениями, страница 2

страницы с задачами и решениями

898 формул

Таблица формул

Показаны 61-120 из 898. Остальные формулы доступны на соседних страницах подборки.

Формула Запись Тема Для чего нужна
Средняя квадратичная ошибка MSE $\mathrm{MSE}=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2$ Прогнозирование MSE усредняет квадраты ошибок прогноза, поэтому крупные промахи влияют на итог сильнее мелких. Результат измеряется в квадрате исходных единиц и подходит для сравнения моделей на одной проверочной выборке.
Корень из среднеквадратичной ошибки RMSE $\mathrm{RMSE}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}$ Прогнозирование RMSE - корень из MSE: он сохраняет штраф за крупные ошибки, но возвращает результат в исходные единицы. Метрика показывает типичный размер промаха модели на фиксированном горизонте и наборе фактов.
Средняя абсолютная процентная ошибка MAPE $\mathrm{MAPE}=\frac{100\%}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y}_i}{y_i}\right|$ Прогнозирование MAPE показывает среднюю абсолютную ошибку прогноза в процентах от фактических значений. Метрика удобна для рядов разного масштаба, но требует аккуратности при нулевых и очень малых фактах.
Взвешенная абсолютная процентная ошибка WAPE $\mathrm{WAPE}=\frac{\sum_{i=1}^{n}|y_i-\hat{y}_i|}{\sum_{i=1}^{n}|y_i|}\cdot100\%$ Прогнозирование WAPE делит суммарную абсолютную ошибку на общий фактический объем. Метрика показывает долю промаха в процентах от всего спроса или оборота и сильнее отражает строки с большим весом.
Простое скользящее среднее $\mathrm{SMA}_t=\frac{x_{t-k+1}+x_{t-k+2}+\ldots+x_t}{k}$ Прогнозирование SMA заменяет текущее значение средним по последним k наблюдениям. Это простая база для сглаживания шума и краткосрочного прогноза, но она запаздывает на трендах и резких разворотах.
Экспоненциальное сглаживание прогноза $\hat{y}_{t+1}=\alpha y_t+(1-\alpha)\hat{y}_t$ Прогнозирование Экспоненциальное сглаживание обновляет прогноз как смесь последнего факта и прошлого сглаженного уровня. Коэффициент α задает, насколько быстро модель реагирует на свежие изменения ряда.
Линейная регрессия по методу наименьших квадратов $\hat{\beta}_1=\frac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sum (x_i-\bar{x})^2},\quad \hat{\beta}_0=\bar{y}-\hat{\beta}_1\bar{x}$ Регрессионные модели OLS подбирает коэффициенты линейной регрессии так, чтобы сумма квадратов остатков была минимальной. Формула нужна, чтобы оценить связь факторов с числовой целью и получить воспроизводимый линейный прогноз.
Коэффициент детерминации R-squared $R^2=1-\frac{SS_{res}}{SS_{tot}}$ Регрессионные модели R² показывает, какая доля разброса целевой переменной объяснена регрессионной моделью по сравнению с ее средним уровнем. Метрика полезна для одной выборки и спецификации, но сама по себе не доказывает причинность.
Стандартная ошибка регрессии $s=\sqrt{\frac{SS_{res}}{n-p}}$ Регрессионные модели Стандартная ошибка регрессии оценивает типичный разброс остатков вокруг линии модели в единицах целевой переменной. Ее используют рядом с R², чтобы видеть не только долю объясненной вариации, но и размер промаха.
t-статистика коэффициента регрессии $t=\frac{\hat{\beta}_j-\beta_{j,0}}{SE(\hat{\beta}_j)}$ Регрессионные модели t-статистика делит коэффициент регрессии на его стандартную ошибку и показывает, насколько оценка далека от нуля в масштабе неопределенности. Ее читают с учетом степеней свободы, p-value и спецификации модели.
Логистическая функция вероятности $p=\frac{1}{1+e^{-z}},\quad z=\beta_0+\beta_1x_1+\ldots+\beta_kx_k}$ Регрессионные модели Логистическая функция переводит линейный скор в вероятность от 0 до 1 по S-образной кривой. В аналитике бинарных событий она связывает факторы с шансом наступления класса и помогает выбрать порог решения.
Accuracy как доля правильных классификаций $\mathrm{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}$ Метрики классификации Accuracy - доля верных ответов среди всех объектов. Метрика быстро показывает общий уровень классификации, но хорошо читается только при сопоставимых классах и близкой цене ложных тревог и пропусков.
Precision для положительного класса $\mathrm{Precision}=\frac{TP}{TP+FP}$ Метрики классификации Precision показывает, какая часть объектов, помеченных моделью как положительные, действительно положительна. Метрика важна, когда ложные срабатывания дороги: модерация, лиды, диагностика, ручная проверка.
Recall для положительного класса $\mathrm{Recall}=\frac{TP}{TP+FN}$ Метрики классификации Recall показывает, какую долю настоящих положительных объектов модель нашла. Метрика важна, когда опаснее пропустить нужный случай, чем получить лишнее срабатывание: риск, дефекты, заявки.
F1-мера классификации для баланса precision и recall $F_1=\frac{2\cdot Precision\cdot Recall}{Precision+Recall}$ Метрики классификации F1 объединяет precision и recall через гармоническое среднее. Метрика полезна, когда нужно одним числом балансировать ложные срабатывания и пропуски, но true negative в расчет не входит.
Specificity классификатора $\mathrm{Specificity}=\frac{TN}{TN+FP}$ Метрики классификации Specificity показывает, какую долю настоящих отрицательных объектов модель оставила отрицательными. Метрика дополняет recall и важна там, где надо ограничить ложные тревоги при фиксированном положительном классе.
ROC AUC через пары объектов $\mathrm{AUC}=\frac{N_{concordant}+0.5N_{tied}}{N_{positive}N_{negative}}$ Метрики классификации ROC AUC оценивает ранжирование: насколько часто положительный объект получает скор выше отрицательного. Метрика не зависит от одного порога, но требует корректных скорингов и выбранного положительного класса.
Lift модели классификации $\mathrm{Lift}=\frac{\text{response rate in selected group}}{\text{overall response rate}}$ Метрики классификации Lift показывает, во сколько раз выбранный моделью сегмент богаче целевыми объектами, чем вся база. Метрика полезна для CRM, маркетинга и скоринга, где важен верхний процент списка, а не общий порог.
Матрица ошибок бинарной классификации $N=TP+TN+FP+FN$ Метрики классификации Матрица ошибок раскладывает бинарные решения на TP, TN, FP и FN. Это исходная таблица для accuracy, precision, recall, specificity и F1, поэтому сначала проверяют класс, порог и сумму ячеек.
Размер выборки для одной доли $n=\frac{z^2p(1-p)}{E^2}$ Статистические выводы Размер выборки для одной доли: формула n=\frac{z^2p(1-p)}{E^2} помогает величины n, z, p, E заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Размер выборки для MDE двух долей $n=\frac{2(z_\alpha+z_\beta)^2p(1-p)}{\Delta^2}$ A/B-тесты Размер выборки для MDE двух долей: формула n=\frac{2(z_\alpha+z_\beta)^2p(1-p)}{\Delta^2} помогает требуется требуется требуется требуется требуется требуется понять, хватит ли трафика для обнаружения минимального эффекта. В тексте есть условия, пример, ошибки и проверка результата.
z-тест для сравнения двух долей $z=\frac{p_1-p_2}{\sqrt{p(1-p)(1/n_1+1/n_2)}}$ A/B-тесты z-тест для сравнения двух долей: формула z=\frac{p_1-p_2}{\sqrt{p(1-p)(1/n_1+1/n_2)}} помогает величины z, p_1, p_2, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
t-тест для сравнения двух средних $t=\frac{\bar x_1-\bar x_2}{s_p\sqrt{1/n_1+1/n_2}}$ Статистические выводы t-тест для сравнения двух средних: формула t=\frac{\bar x_1-\bar x_2}{s_p\sqrt{1/n_1+1/n_2}} помогает величины t, x_1, x_2, s_p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
t-тест Уэлча для средних с разными дисперсиями $t=\frac{\bar x_1-\bar x_2}{\sqrt{s_1^2/n_1+s_2^2/n_2}}$ Статистические выводы t-тест Уэлча для средних с разными дисперсиями: формула t=\frac{\bar x_1-\bar x_2}{\sqrt{s_1^2/n_1+s_2^2/n_2}} помогает величины t, x_1, x_2, s_1 заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Критерий хи-квадрат независимости $\chi^2=\sum\frac{(O-E)^2}{E}$ Статистические выводы Критерий хи-квадрат независимости: формула \chi^2=\sum\frac{(O-E)^2}{E} помогает величины chi, O, E заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Доверительный интервал для доли $\hat p\pm z\sqrt{\frac{\hat p(1-\hat p)}{n}}$ Статистические выводы Доверительный интервал для доли: формула \hat p\pm z\sqrt{\frac{\hat p(1-\hat p)}{n}} помогает величины p, z, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Доверительный интервал для разности долей $(p_1-p_2)\pm z\sqrt{\frac{p_1(1-p_1)}{n_1}+\frac{p_2(1-p_2)}{n_2}}$ A/B-тесты Доверительный интервал для разности долей: формула (p_1-p_2)\pm z\sqrt{\frac{p_1(1-p_1)}{n_1}+\frac{p_2(1-p_2)}{n_2}} помогает требуется требуется требуется требуется требуется требуется оценить диапазон возможного uplift между группами. В тексте есть условия, пример, ошибки и проверка результата.
Размер эффекта Cohen's d для двух средних $d=\frac{\bar x_1-\bar x_2}{s_p}$ Статистические выводы Размер эффекта Cohen's d для двух средних: формула d=\frac{\bar x_1-\bar x_2}{s_p} помогает величины d, x_1, x_2, s_p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Коэффициент V Крамера для таблицы сопряженности $V=\sqrt{\frac{\chi^2}{n(k-1)}}$ Статистические выводы Коэффициент V Крамера для таблицы сопряженности: формула V=\sqrt{\frac{\chi^2}{n(k-1)}} помогает требуется требуется требуется требуется требуется требуется оценить силу связи в категориальной таблице. В тексте есть условия, пример, ошибки и проверка результата.
Precision, recall и F1 для классификации $F_1=\frac{2PR}{P+R}$ Метрики классификации Precision, recall и F1 для классификации: формула F_1=\frac{2PR}{P+R} помогает требуется требуется требуется требуется требуется важны и точность, и полнота. В тексте есть условия, пример, ошибки и проверка результата.
ROC AUC методом трапеций по точкам $AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1})$ Метрики классификации ROC AUC методом трапеций по точкам: формула AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1}) помогает величины AUC, TPR, FPR заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Binary log loss для вероятностной классификации $L=-\frac1n\sum(y\log p+(1-y)\log(1-p))$ Метрики классификации Binary log loss для вероятностной классификации: формула L=-\frac1n\sum(y\log p+(1-y)\log(1-p)) помогает величины L, n, y, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Brier score для вероятностного прогноза $BS=\frac1n\sum(p_i-y_i)^2$ Метрики классификации Brier score для вероятностного прогноза: формула BS=\frac1n\sum(p_i-y_i)^2 помогает величины BS, p_i, y_i, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
sMAPE для ошибки прогноза $sMAPE=\frac{100}{n}\sum\frac{|F_t-A_t|}{(|A_t|+|F_t|)/2}$ Прогнозирование sMAPE для ошибки прогноза: формула sMAPE=\frac{100}{n}\sum\frac{|F_t-A_t|}{(|A_t|+|F_t|)/2} помогает величины F_t, A_t, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
MASE для сравнения прогноза с наивной моделью $MASE=\frac{MAE}{MAE_{naive}}$ Прогнозирование MASE для сравнения прогноза с наивной моделью: формула MASE=\frac{MAE}{MAE_{naive}} помогает величины MASE, MAE заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Сезонный наивный прогноз временного ряда $\hat y_{t}=y_{t-m}$ Прогнозирование Сезонный наивный прогноз временного ряда: формула \hat y_{t}=y_{t-m} помогает величины y, t, m заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Автокорреляция временного ряда на лаге k $r_k=\frac{\sum(y_t-\bar y)(y_{t-k}-\bar y)}{\sum(y_t-\bar y)^2}$ Прогнозирование Автокорреляция временного ряда на лаге k: формула r_k=\frac{\sum(y_t-\bar y)(y_{t-k}-\bar y)}{\sum(y_t-\bar y)^2} помогает требуется требуется требуется требуется требуется требуется проверить, повторяется ли ряд с задержкой k. В тексте есть условия, пример, ошибки и проверка результата.
MAE регрессии по остаткам $MAE=\frac1n\sum|y_i-\hat y_i|$ Регрессионные модели MAE регрессии по остаткам: формула MAE=\frac1n\sum|y_i-\hat y_i| помогает величины MAE, y_i, y_hat, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Скорректированный R-squared регрессии $R^2_{adj}=1-(1-R^2)\frac{n-1}{n-p-1}$ Регрессионные модели Скорректированный R-squared регрессии: формула R^2_{adj}=1-(1-R^2)\frac{n-1}{n-p-1} помогает величины R, n, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
Передаточное отношение зубчатой пары по числу зубьев $i=\frac{z_2}{z_1}$ Передачи Формула показывает, во сколько раз ведомое зубчатое колесо имеет больше зубьев, чем ведущее, и поэтому во сколько раз идеальная передача уменьшает угловую скорость и увеличивает крутящий момент.
Угловая скорость выходного вала редуктора $\omega_2=\frac{\omega_1}{i}$ Передачи Формула связывает входную и выходную угловые скорости редуктора: при передаточном отношении i выходной вал идеальной понижающей передачи вращается в i раз медленнее входного.
Окружная скорость зубчатого колеса на делительной окружности $v=\frac{\pi d n}{60}$ Передачи Формула вычисляет линейную скорость точки на делительной окружности зубчатого колеса по его делительному диаметру и частоте вращения.
Межосевое расстояние цилиндрической зубчатой пары $a=\frac{m(z_1+z_2)}{2}$ Передачи Формула определяет расстояние между осями двух цилиндрических прямозубых колес по модулю зацепления и числу зубьев каждого колеса.
Подача на оборот при точении $f=\frac{S_m}{n}$ Режимы резания Формула переводит минутную подачу суппорта в подачу на один оборот заготовки, что позволяет оценить толщину срезаемого слоя и режим точения.
Скорость резания при точении $V=\frac{\pi D n}{1000}$ Режимы резания Формула вычисляет скорость резания при точении по диаметру заготовки в миллиметрах и частоте вращения шпинделя в оборотах в минуту.
Частота вращения шпинделя по скорости резания $n=\frac{1000V}{\pi D}$ Режимы резания Формула подбирает обороты шпинделя, необходимые для заданной скорости резания при известном диаметре обрабатываемой поверхности.
Машинное время прохода при точении $t=\frac{L}{fn}$ Режимы резания Формула оценивает машинное время одного токарного прохода по длине обработки, подаче на оборот и частоте вращения шпинделя.
Общее увеличение светового микроскопа $M=M_{obj}M_{ok}$ Биологические расчёты Формула показывает, что общее увеличение микроскопа равно произведению увеличения объектива и увеличения окуляра в составной оптической системе.
Концентрация клеток по счетной камере $C=\frac{Nk}{V}$ Биологические расчёты Формула рассчитывает концентрацию клеток в исходной суспензии по числу посчитанных клеток, коэффициенту разбавления и объему просмотренной части счетной камеры.
Экспоненциальный рост популяции $N(t)=N_0e^{rt}$ Биологические расчёты Формула описывает идеальный рост популяции, когда относительная скорость прироста постоянна, а ограничения среды пока не заметны.
Индекс разнообразия Шеннона $H=-\sum p_i\ln p_i$ Экология Индекс Шеннона оценивает биологическое разнообразие сообщества по долям видов: он растет, когда видов больше и когда их численности распределены более равномерно.
Длина светового года в километрах $s=ct$ Астрономические расчёты Формула показывает, что расстояние, пройденное светом за один год, равно произведению скорости света на продолжительность года в секундах.
Расстояние до звезды по годичному параллаксу $d=\frac{1}{p}$ Астрономические расчёты Формула переводит годичный параллакс звезды в расстояние в парсеках: чем меньше угол параллакса, тем дальше находится звезда.
Угловой размер по линейному диаметру и расстоянию $\theta\approx\frac{D}{R}$ Астрономические расчёты Формула малого угла связывает видимый угловой размер объекта с его линейным диаметром и расстоянием до наблюдателя в радианной мере.
Модуль расстояния в астрономии $m-M=5\log_{10}d-5$ Астрономические расчёты Модуль расстояния связывает видимую звездную величину, абсолютную звездную величину и расстояние до объекта в парсеках без учета поглощения.
Отношение яркостей по разности звездных величин $\frac{F_1}{F_2}=10^{0.4(m_2-m_1)}$ Астрономические расчёты Формула переводит разность звездных величин в отношение потоков света: меньшая звездная величина соответствует большей наблюдаемой яркости.
Расход энергии тренировки по MET $E=MET\cdot m\cdot t$ Спорт и показатели тела Формула дает приближенную оценку энергозатрат упражнения по метаболическому эквиваленту нагрузки, массе тела и длительности занятия.
Расчетная площадь горла углового сварного шва $A=aL$ Расчёты сварки Формула находит эффективную расчетную площадь углового сварного шва как произведение расчетной толщины горла на эффективную длину шва.
Конверсия MQL в SQL по воронке продаж $MQL\ to\ SQL\ Conversion=\frac{SQL}{MQL}\cdot100\%$ Продажи и воронка Конверсия MQL в SQL показывает, какая доля маркетинговых лидов прошла согласованные критерии продаж и стала рабочими SQL. Метрика помогает проверить качество входящего потока и стык маркетинга с продажами, если статусы CRM и период отбора зафиксированы заранее.
Конверсия SQL в выигранную сделку $SQL\ to\ Deal\ Conversion=\frac{Won\ Deals}{SQL}\cdot100\%$ Продажи и воронка Конверсия SQL в выигранную сделку связывает принятые продажами возможности с фактическими договорами. Она показывает, насколько квалификация и работа менеджеров доводят поток до выручки, если сравнивать завершенный пул SQL одного периода.