HyperAI超神经

PoidsC'est un concept relatif. Pour un certain indicateur, le poids fait référence à l’importance de l’indicateur dans l’évaluation globale.

Dans le processus d’évaluation, les pondérations sont utilisées pour mesurer l’importance des différents aspects de l’objet d’évaluation afin de différencier le rôle de chaque facteur d’évaluation dans l’évaluation globale. Autrement dit, une évaluation sans point final n’est pas une évaluation objective.

La formule de base du poids

La formule de base pour trouver le bon est

${p\mathop{{}}\nolimits_{{i}}\text{ }=\text{ }\frac{{ \mu \mathop{{}}\nolimits^{{2}}}}{{m\mathop{{}}\nolimits_{{i}}\mathop{{}}\nolimits^{{2}}}}\text{ }{ \left( {i\text{ }=\text{ }1,\text{ }2,\text{ }…} \right) }}$

Où ${ \mu }$ est une constante arbitraire et ${m\mathop{{}}\nolimits_{{i}}}$ est l'erreur quadratique moyenne.

On peut voir que le poids est inversement proportionnel au carré de l’erreur moyenne, c’est-à-dire que plus la précision est élevée, plus le poids est important. Lorsque ${m\mathop{{}}\nolimits_{{i}}\text{ }=\text{ }\mu}$ , ${p\mathop{{}}\nolimits_{{i}}\text{ }=\text{ }1}$ , il s'agit donc de l'erreur moyenne de l'observation dont le poids est égal à 1. Le poids égal à 1 est généralement appelé poids unitaire, et l'observation dont le poids est 1 est une observation de poids unitaire. ${ \mu }$ est l'erreur moyenne de l'observation du poids unitaire, appelée en abrégé erreur moyenne du poids unitaire.

La relation proportionnelle entre les poids de chaque observation peut s'écrire comme :

${p\mathop{{}}\nolimits_{{1}}\text{ }:\text{ }p\mathop{{}}\nolimits_{{2}}\text{ }:\text{ }⸳⸳⸳\text{ }:\text{ }p\mathop{{}}\nolimits_{{n}}\text{ }=\text{ }\frac{{ \mu \mathop{{}}\nolimits^{{2}}}}{{m\mathop{{}}\nolimits_{{1}}\mathop{{}}\nolimits^{{2}}}}\text{ }:\text{ }\frac{{ \mu \mathop{{}}\nolimits^{{2}}}}{{m\mathop{{}}\nolimits_{{2}}\mathop{{}}\nolimits^{{2}}}}\texte{ }:\texte{ }⸳⸳⸳\texte{ }:\texte{ }\frac{{ \mu \mathop{{}}\nolimits^{{2}}}}{{m\mathop{{}}\nolimits_{{n}}\mathop{{}}\nolimits^{{2}}}}\texte{ }=\texte{ }\frac{{1}}{{m\mathop{{}}\nolimits_{{1}}\mathop{{}}\nolimits^{{2}}}}\texte{ }:\texte{ }\frac{{1}}{{m\mathop{{}}\nolimits_{{2}}\mathop{{}}\nolimits^{{2}}}}\texte{ }:\texte{ }⸳⸳⸳\texte{ }:\texte{ }\frac{{1}}{{m\mathop{{}}\nolimits_{{n}}\mathop{{}}\nolimits^{{2}}}}}$

On peut voir que le rapport des poids d’un ensemble d’observations est égal au rapport des réciproques de leurs erreurs quadratiques moyennes.