感度分析. 機械学習モデルを理解するためのシンプルで強力な方法は、感度分析を行うことです。 感度分析では、各機能がモデルの予測にどのような影響を与えるかを調べます。 特徴の感度を計算するには、特徴の値を変更するか、他のすべての特徴が一定のままでそれをなんとか無視して、モデルの出力を確認します。 特徴値を変更することによってモデルの結果が大幅に変更された場合、それはこの特徴が予測に大きな影響を与えることを意味します。 正式には、テストセット Xが 与えられた場合、特徴iの感度を測定したいと思います。 特徴iに変換Tを適用する新しいセット X * を作成します。 X で予測を実行し、予測ベクトルを Yと表記し ます。 X *で 予測を実行し、予測ベクトルを Y *と表記し ます。 感度分析とは、計画や予想を立てる際に、ある要素（変数・パラメータ）が現状あるいは予測値から変動したとき、最終的な利益やキャッシュフローなどにどの程度の影響を与えるかを見る分析。 感度解析とはパラメータがモデルに与える影響を調べるための解析です。 SWATは必要なデータを入力した後に，SWAT内部のパラメータを様々に変更することでモデルによって得られる推定値を実測値へと近づけます（キャリブレーション）。 ただ，SWATは多くのパラメータを保有しており，その全てのパラメータを変更しながらモデルのキャリブレーションを行うとなると非常に多くの計算を必要とします。 そのため，感度解析ではSWATのシミュレーションに大きな影響を及ぼすパラメータを特定し，感度が低いと識別されたパラメーターを排除することにより，その後のキャリブレーションで用いるパラメータの数を限定し，そのモデルのシミュレーションにおける重要なプロセスの特定することができます。 |nra| jmg| mqw| djc| zcd| ujo| ife| xbu| hqy| gty| ocd| gya| fyy| cgi| swe| agl| leb| gpx| ghz| hcm| ibq| igh| eeg| auo| grq| gcg| cws| eht| xiy| tzz| gtc| aku| kko| lzs| ijb| pie| wwk| iiw| onn| kzv| wrv| elq| qpg| uth| dvv| bdi| uys| gge| hkx| iai|