模型评估，如何评价所建立的动物模型

本文目录一览

1，如何评价所建立的动物模型
2，数学建模中如何对模型进行分析与评价
3，交易模型的评估
4，对预测模型进行评价应运用以下哪些原则
5，如何检测一个数学模型的合理性
6，如何建立和评估数据仓库逻辑模型

1，如何评价所建立的动物模型

为了得到正确的结论、在进行系统分析、预测和辅助决策时，必须保证模型能够准确地反映实际系统并能在计算机上正确运行。因此，必须对模型的有效性进行评估。模型有效性评估主要包括模型确认和模型验证两部分内容：模型确认考察的是系统模型

很简单，给动物使用一段时间利尿剂，再检测血钾水平。

如何评价所建立的动物模型

2，数学建模中如何对模型进行分析与评价

模型的分析与评价分两方面，其一是模型与模型的对比，比如在预测问题中你为什么用了灰色理论而不用线性回归；其二是模型内部的比较，比如你已经知道1，2，3，4的数据预测了5的数据，模型检验时，你再预测4的数据，与真实4的数据进行比较

好详细准备仔细研究一下还想问一下用方差看可不可以大的可信度就低？

数学建模中如何对模型进行分析与评价

3，交易模型的评估

对于交易模型的收益和风险评估，很多投资者往往只关心净利润和回报率，而忽略了交易模型的风险测量评估，其实这正是交易模型最为关键的部分。两个管理者的起始净值和到期净值一样，但是管理者A的期货基金的净值在中间经历了大幅起落，使投资者在投资途中的风险加大，加大了投资者和管理者的心理压力，管理者可能产生情绪波动，不能很好地执行交易模型的交易信号，产生了非市场性风险，投资者也将很可能在中途赎回基金投资，而不能取得最后的回报。而管理者B的期货基金的净值在中间相对平稳，投资者所面临的风险减少，投资者和管理者心态平稳，管理者不去追求短期的高回报，净值则稳定增长，管理者完成交易模型成功的概率也比管理者A的期货基金要大。交易模型的评估项目大体包括：净利润、回报率、总交易次数、盈亏次数比率、标准离差/标准离差率、回报回调率、风险指标d七个方面。标准离差/标准离差率期货基金交易模型常用的收益和风险评估是标准离差/标准离差率，因为标准离差/标准差离率越小，说明交易模型的收益分布概率越集中，期货基金交易模型实际收益越接近理论收益，风险越低。评估步骤如下：1.计算交易模型收益期望值E=∑Xi×Pi，E为收益期望值、Xi为第i笔交易的收益、Pi为第i种结果收益的概率。2.计算交易模型的收益标准离差δ=∑（Xi－E）2×Pi3.标准离差率V=δ÷E4.权衡交易模型优劣选择收益高且标准离差率小的交易模型。风险指标d在使用标准离差率对期货基金交易模型收益和风险评估的前提条件是交易模型的分布必须符合正态分布，也就收益分布是对称的，对于不符合正态分布的交易模型的收益和风险评估就没有意义了。往往出现收益为负的交易模型的标准离差率小于收益为正的交易模型，因此我们在这里引入了风险指标d。d=|∑n÷∑c|，∑n为交易模型收益小于0的次数和收益的乘积、∑c为交易模型收益大于0的次数和收益的乘积。引入风险指标d的好处是不用对交易模型的收益分布做任何假设，就可以对交易模型的收益进行比较。

交易模型的评估

4，对预测模型进行评价应运用以下哪些原则

你好，这东西没人会预测。如果真会预测，早就成为亿万富翁了。预测这东西我早就不信了，以前在网站上，经常看别人预测，结果买了，连一个号码都没对上。楼主真要买，就权当是献爱心吧。如果有人告诉你买什么号码，建议你都不要相信，因为我玩了几年房子跟老婆都玩没了。ps：这东西真的不是好东西，洗心革面，重新做人，希望你能当机立断，不要存侥幸心理，果断戒赌。满意请采纳，谢谢

1.连续性原则连续性原则是根据事物的发展具有连续性而总结出来的。连续性原则指事物的发展是其过去的延续，而未来是现在的延续。交通系统中连续性是普遍存在的。机动车保有量、路网密度、自行车拥有量、人口、国民生产总值以及交通量等交通因素都具有一定的连续性。2.相关性原则相关性原则是说任何影响交通因素的发展变化都不是孤立的，都与其他1个或多个交通因素的发展变化相互联系、相互影响，这种发展变化过程中的相互联系就是相关性。3.类推性原则许多事物相互之间在发展变化上常有类似之处，可根据某一事物发展变化体现出的规律来预测类似事物的变化发展，把先发展事物的表现过程类推到后发展事物上去，并对后发展事物的前景做出预测，这就是类推原则。4.概率性原则由于预测受到其他各种随机因素的干扰，使得预测结果具有一定的不确定性。在这种情况下，为便于决策者更好地做出决策，应该对这种不确定性更好地表达和体现。5.系统性原则交通系统作为社会的一个子系统，其发展变化必然受到整个社会系统的影响。并且政治、经济、文化等的发展变化也会引起交通系统发展变化。因此，交通预测不仅要考虑到其自身发展变化，还要考虑到社会其他子系统的发展变化。这就是系统性原则。

5，如何检测一个数学模型的合理性

为了得到正确的结论、在进行系统分析、预测和辅助决策时，必须保证模型能够准确地反映实际系统并能在计算机上正确运行。因此，必须对模型的有效性进行评估。模型有效性评估主要包括模型确认和模型验证两部分内容：模型确认考察的是系统模型（所建立的模型）与被仿真系统（研究对象）之间的关系，模型验证考察的则是系统模型与模型计算机实现之间的关系。　　对于一个具体的建模项目来说，模型有效性评估贯穿于研究的始终。必须指出，模型实际上是所研究的系统的一种抽象表述形式，要验证一个模型是否百分之百有效是极其困难的，也是没有实际意义的。另外，模型是否有效是相对于研究目的以及用户需求而言的。在某些情况下，模型达到60％的可信度使可满足要求；而在另外一些情况下，模型达到99％都可能是不满足的。　　模型有效性的概念出现在20世纪60年代，随着计算机仿真技术在各个学科和工程领域的普遍应用，模型有效性问题日益受到人们的关注。 1967年，美国兰德公司的fishman和Kivtat明确指出，模型有效性研究可划分为两个部分：模型的确认（validation）和验证（verification）。这一观点被国际仿真学界普遍采纳。模型确认指通过比较在相同输入条判和运行环境下模型与实际系统输出之间的一致性，评价模型的可信度或可用性。模型验证则是判断模型的计算机实现是否正确。　　尽管确认和验证在各文献中的定义不尽相同，但对于二者之间的区别，专家的看法却是基本一致的。简单地说，模型确认强调理论模型与实际系统之间的一致性，模型验证则强调当前模型与计算机程序之间的一致性。在有些文献中也采用工程技术人员容易接受的“校模”和“验模”两个术语来分别代替“确认”和“验证”。模型的确认和验证与建模的关系见图 8.5。　　在图 8.5中，“问题实体”指被建模的对象，如系统、观念、政策、现象等。“理论模型”是为达到某种特定的研究目的而对问题实体进行的数学／逻辑描述。“计算机模型”（computerized Model）是理论模型在计算机上的实现。通过“分析与建模”活动可以建立理论模型。计算机模型的建立需通过“编程及实现”这一步骤来完成。经过仿真“实验”即可得到关于问题实体的结果。　　模型确认包括理论模型有效性确认、数据有效性确认和运行有效性确认三部分内容，其中运行有效性确认是模型确认的核心。图 8.5 确认和验证与建模的关系　　1）理论模型有效性确认　　理论模型有效性确认是对理论模型中采用的理论依据和假设条件的正确性以及理论模型对问题实体描述的合理性加以证实的过程。理论模型有效性确认包括两项内容：　　（1）检验模型的理论依据及假设条件的正确性。它具有两个含义，一是检验理论依据的应用条件是否满足，如线性、正态性、独立性、静态性等；该检验过程可以利用统计方法进行。二是检验各种理论的应用是否正确。　　（2）子模型的划分及其与总模型的关系是否合理，即分析模型的结构是否正确，子模型问的数学/逻辑关系是否与问题实体相符。理论模型经确认有效后，才能对其进行试运行。最后根据输出结果评估模型的精度。若理论模型无效，应重复分析、建模及确认的过程。　　2）数据有效性确认　　数据有效性确认用于保证模型建立、评估、检验和实验所用的数据是充分的和正确的。　　在模型开发过程中，数据用于模型的建立、校验和运行。充分、正确、精确的数据是建立模型的基础。数据有效性确认包括对模型中关键变量、关键参数及随机变量的确认，以及对运行有效性确认时所使用的参数和初始值等数据的确认。　　3）运行有效性确认　　运行有效性确认指就模型开发目的或用途而言，模型在其预期应用范围内的输出行为是否有足够的精度。　　运行有效性确认的目的是对模型输出结果的精度进行计算和评估。其前提是实际系统及其可比系统的数据均可获取。通过比较模型和实际系统在相同初始条件下的输出数据，可对模型有效性进行定量分析。与实际系统相类似的系统，确认为有效的解析模型、工程计算模型、以及经过确认的模型都可作为模型的可比系统。　　理论模型确认、数据有效性确认及模型验证是运行有效性确认的前提。经运行有效性确认被认为有效的模型即可作为正式模型投入运行，利用它进行实际问题的研究。若模型在运行有效性确认时被确认为无效，其原因可能是理论模型不正32313133353236313431303231363533e59b9ee7ad9431333330336237确、或计算机模型不正确，也可能是数据无效。具体原因的查明需从分析与建模阶段开始，重复模型的构造过程。若实际系统及其可比系统不存在或完全不可观测，则模型与系统的输出数据无法进行比较。在这种情况下，一般只能通过模型验证和理论模型确认，定性地分析模型的有效性。　　理论模型有效性包括：1）表观确认，分析对与模型有关的所有信息进行评估，确定需要附加分析的内容，以提高模型的可信度水平；2）历史分析，对与模型有关的历史信息的评估，以评价模型对预期应用的适宜性。3）预期应用和需求分析，对预期应用的效果进行评估，以确定那些对资源的有效利用起关键作用的需求。4）模型概念和逼真度分析，对模型的算法和子模型进行评估，以辨识那些不适用的假设，并确定子模型的逼真度是否能保证模型的预期应用。5）逻辑追踪分析，通过模型逻辑评估模型中指定实体的行为，并确定这些行为是否都是所期望的。

为了得到正确的结论、在进行系统分析、预测和辅助来决策时，必须保证模型能够准确地反映实际系统并能在计算机上正确运行自。因此，必须对模型的有效性进行评估。模型有效性评估主要包括模型确认和模型验证两部分内知容：模型确认考察的是系统模型（所建立的模型）与被仿真系统（研究对象）之间的关系，模型验证考察的则道是系统模型与模型计算机实现之间的关系。

6，如何建立和评估数据仓库逻辑模型

逻辑模型指数据仓库数据的逻辑表现形式。从最终应用的功能和性能的角度来看，数据仓库的数据逻辑模型也许是整个项目最重要的方面，需要领域专家的参与。从内容上看，涉及的方面有确立主题域，粒度层次的划分，确定数据分割策略，关系模式的确定。逻辑模型建设方法逻辑建模是数据仓库实施中的重要一环,因为它能直接反映出业务部门的需求,同时对系统的物理实施有着重要的指导作用。目前较常用的两种建模方法是所谓的第三范式 (3NF,即 Third Normal Form)和星型模式 (Star-Schema) 第三范式关系模式满足以下特征： 1 每个属性的值唯一,不具有多义性; 2. 每个非主属性必须完全依赖于整个主键,而非主键的一部分; 3. 每个非主属性不能依赖于其他关系中的属性,因为这样的话,这种属性应该归到其他关系中去星型模型星型模式是一种多维的数据关系，它由一个事实表(Fact Table)和一组维表(Dimens ion Table)组成。每个维表都有一个维作为主键，所有这些维则组合成事实表的主键，换言之，事实表主键的每个元素都是维表的外键。事实表的非主属性称为事实 (Fact)，它们一般都是数值或其他可以进行计算的数据;而维大都是文字、时间等类型的数据。第三范式和星型模式在数据仓库中的应用大多数人在设计中央数据仓库的逻辑模型时，都按照第三范式来设计;而在进行物理实施时，则由于数据库引擎的限制，不得不对逻辑模型进行不规范处理 (De-Normalize)，以提高系统的响应速度，这当然是以增加系统的复杂度、维护工作量、磁盘使用比率 (指原始数据与磁盘大小的比率)并降低系统执行动态查询能力为代价的。那么，在中央数据仓库中是否可以采用星型模式来进行模型设计呢?我们知道，星型模式中有一个事实表和一组维表，我们可以把事实看成是各个维交叉点上的值。星型模式之所以速度快，在于针对各个维作了大量的预处理，如按照维进行预先的统计、分类、排序等。因此，在星型模式设计的数据仓库中，作报表的速度虽然很快，但由于存在大量的预处理，其建模过程相对来说就比较慢。当业务问题发生变化，原来的维不能满足要求时，需要增加新的维。由于事实表的主键由所有维表的主键组成，这种维的变动将是非常复杂、非常耗时的。星型模式另一个显著的缺点是数据的冗余量很大。综合这些讨论，不难得出结论，星型模式比较适合于预先定义好的问题，如需要产生大量报表的场合;而不适合于动态查询多、系统可扩展能力要求高或者数据量很大的场合。因此，星型模式在一些要求大量报表的部门数据集市中有较多的应用。总之，上面讨论了数据仓库模型设计中常用的两种方法。对于部门数据集市，当数据量不大、报表较固定时可以采用星型模式;对于企业级数据仓库，考虑到系统的可扩展能力、投资成本和易于管理等多种因素，最好采用第三范式。逻辑模型指数据仓库数据的逻辑表现形式。从最终应用的功能和性能的角度来看，数据仓库的数据逻辑模型也许是整个项目最重要的方面，需要领域专家的参与。从内容上看，涉及的方面有确立主题域，粒度层次的划分，确定数据分割策略，关系模式的确定。逻辑模型的质量标准对逻辑模型的评估，就是对逻辑模型质量的考察，什么是逻辑模型的质量呢？从狭义的概念说，逻辑模型是否正确表达了业务规则，也就是准确，但是随着人们对数据仓库认识的加深，质量的含义不断延伸,现在对模型质量要求不仅仅单纯指单纯的业务规则，还包括模型满足用户分析需求的程度，它是一个包含丰富内涵、具有多维因素的综合性概念。相应地逻辑模型质量概念的认识也从狭义向广义转变，准确性已不再是衡量唯一标准。评估逻辑模型一般包括如下方面的标准正确性逻辑模型的建设方法是正确的，遵循了从上到下和从下到上相结合的方法，选择了正确的模型表示方式，对实际业务采用正确的概化抽象。准确性（精度）指逻辑模型和实际业务即“真值”之间的差异程度。误差越小，准确性就越高。这里，所谓的“真值”是可知的，尽管逻辑模型经过了抽象，概化等方法总结共性，但是模型的具体化后，与“真值”是应当符合的。可以通过范围误差、计数误差、不回答率、加工整理差错、模型假设误差等影响准确性的各个因素，测算统计估算值的变动系数、标准差、均方差、曲线配合吻合度、假设检验、偏差等，修正逻辑模型将其的误差控制在一个可接受的置信区间内。适用性指收集的信息是否有用，是否符合用户的需求。它要求逻辑模型的粒度，分割方式符合用户的分析需求。可解释性是指在公布逻辑模型时，应同时公开逻辑模型的的补充解释信息或称为“元数据”，即关于模型数据的解释说明。内容包括所使用的建设方法，建设目标，以防止模型数据二义性导致错误解释和使用。完备性目前的业务需求和所用的业务规则完全包含在逻辑模型中。模型中不存在没有包含的需求业务对象（如实体，属性，以及之间的关系）一致性模型中的各个对象命名方式统一，有明确的命名规范。而且模型中各个相关对象的粒度一致，业务逻辑模型对象的划分标准应当统一。扩展性当新的业务产生时，仅仅是增加了相关逻辑模型对象的实例内容，不影响目前的逻辑模型，模型这些分类能够随统计分析需求的不同进行相应的调整，无需改变数据库结构，具有灵活的扩展性。仅在个别情况下，需要对逻辑模型的属性或者实体本身增加，支持分步骤的实施。可衔接性逻辑模型来自拥有行业经验的概念模型，里面凝聚了许多成功的经验，而且从规划上符合行业系统的长远发展，因此逻辑模型应当从概念模型上相对平滑的过度过来。此外，物理模型应当来自与逻辑模型，逻辑模型的建设应当具有一定的可操作性，便于向物理模型的转化。逻辑模型中常犯的错误：命名规范不统一对于汇总数据，低粒度数据或历史数据采用已定义的命名规范。粒度层次不统一有的具体，有的过于抽象不准确业务关系表示错不全面：一些属性外键标识没有主表无用关联关系多：模型中各种对象所表示的内容，应当与用户的业务分析需求密切相关。与行业通用模型移动的兼容性差：与行业通用模型存在较大的差异，不利于系统的将来发展符合信息发展的趋势。总结商业智能和数据仓库系统的建设作为一个渐进、迭代的过程，其发展趋势是从现有的初步应用如报表分析、数据集市，向深度和广度复杂分析和数据挖掘技术应用发展，其依赖的数据存储模型，包括逻辑模型和物理模型，也是一个不断发展，不断丰富完善的过程。

文章TAG：模型评估如何评价模型评估