Geostru Artificial Intelligence - GILA > Terminologia e Spiegazione dei grafici

La terminologia usata nei vari grafici è spiegata di seguito:

-Valori veri: sono i valori reali misurati e sono l'obiettivo da stimare per il modello.

-Valori predetti: sono i valori che il modello ha calcolato sulla base dei dati di ingresso (in questo caso sono NSPT, profondità, classificazione litologica e coesivo-incoerente).

-Residui: rappresentano la differenza tra i valori veri e i valori predetti. Se il modello fosse perfetto, i residui sarebbero tutti pari a zero.

Tutti i valori fanno riferimento a quelli del parametro selezionato, pertanto, l'unità di misura utilizzata nei grafici fa riferimento a quella relativa al parametro.

I grafici mostrati nella finestra di valutazione sono i seguenti.

1.Valori veri Vs Valori predetti

Ogni punto rappresenta una predizione fatta dal modello per un dato specifico.

L'asse orizzontale mostra il valore vero, mentre quello verticale mostra il valore predetto.

Se un modello fosse perfetto, avrebbe tutti i punti sulla diagonale, cioè predirebbe valori che coincidono con quelli reali.

Comportamento desiderato: avere i punti distribuiti intorno alla diagonale significa avere un modello accurato e che predice bene.

2.Valori predetti Vs Residui

L'asse orizzontale mostra i valori predetti dal modello, mentre quello verticale mostra i residui.

Se un modello fosse perfetto, tutti i residui sarebbero pari a zero e sarebbero sulla retta orizzontale y=0.

Comportamento desiderato: avere i punti distribuiti casualmente attorno alla retta orizzontale y=0 significa che il modello non commette errori sistematici e funziona bene.

3.Distribuzione dei residui

Questo grafico mostra come sono distribuiti gli errori del modello.

L'asse orizzontale mostra i valori dei residui, mentre quello verticale mostra il numero di errori che rientrano in ogni intervallo, cioè la frequenza.

Comportamento desiderato: avere la distribuzione dei residui simile a una campana (una curva gaussiana) indica che gli errori sono distribuiti in modo casuale e non ci sono bias sistematici.