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. |