Precyzja danych jest jednym z najważniejszych czynników podczas przeprowadzania analizy naukowej lub statystycznej. Powszechnie mylony z równie ważną koncepcją dokładności, analogiczna tablica do rzutek opracowana przez University of Hawaii demonstruje związek: dokładne punkty danych są średnie do oczekiwanych wyników, podczas gdy precyzyjne punkty danych są ze sobą ściśle powiązane, nawet jeśli nie są bliskie oczekiwane wyniki. Według Dartmouth College precyzja jest miarą powtarzalności zbioru wyników. Precyzja w zestawach danych to ważna koncepcja nawet w odniesieniu do technologii, co pokazali Kenneth E. Foote i Donald J. Huebner z University of Texas-Austin w analizie systemów informacji geograficznej. Obliczanie precyzji to dość proste, choć nieco subiektywne ćwiczenie.
Przedmioty, które będą potrzebne
-
Graficzna reprezentacja zbioru danych
-
Informacje na temat odpowiednich jednostek wyrażone w danych
-
Minimalny dopuszczalny margines błędu w eksperymencie
Opracuj wizualną reprezentację punktów danych, takich jak wykres punktowy. Bardzo prosta wizualna reprezentacja polega na wykreślaniu odpowiednich zależnych i niezależnych wartości zmiennych dla każdego punktu danych w kartezjańskim układzie współrzędnych.
Oceniaj grupy punktów danych i szukaj wzorców. Precyzyjne dane manifestują się w klastrach punktów danych, wskazując, że podobne zmienne wejściowe są skorelowane z podobnymi zmiennymi wyjściowymi.
Zastosuj informacje o jednostkach miar używanych do zbierania danych, aby określić średnią odległość między punktami danych. Prostego pomiaru linijki można użyć do określenia odległości między punktami na wykresie, a następnie przekonwertować za pomocą dowolnej, dogodnej skali, która odpowiada jednostkom pomiarów użytym do wygenerowania punktów danych. Umożliwi to obliczenie precyzji punktów danych względem siebie, biorąc średnią odległości.
Porównaj minimalny margines błędu dozwolony w eksperymencie i średnią precyzję punktów danych, aby określić względną ogólną precyzję eksperymentu. Różne typy eksperymentów będą miały większą lub mniejszą tolerancję na błędy: projekt inżynieryjny będzie prawdopodobnie wymagał precyzji aż do bardzo małych jednostek, podczas gdy eksperyment społeczny będzie prawdopodobnie tolerował więcej wariancji.
Wskazówki
-
Spróbuj oszacować prawdopodobną skalę jednostki przed utworzeniem graficznej reprezentacji punktów danych. Ułatwi to wizualną ocenę precyzji w celu zidentyfikowania obszarów o szczególnie zauważalnej precyzji lub niedokładności.
Jasne wzorce danych pojawiające się na reprezentacji wizualnej wskazują na precyzję i powtarzalność eksperymentu. Dalsze eksperymenty powinny dodawać kolejne punkty danych w precyzyjnych klastrach bliskich już istniejącym.
Ostrzeżenie
Nie myl dokładności z precyzją. Jeśli celem eksperymentu jest osiągnięcie średniej wartości wyjściowej dla wszystkich danych wejściowych, a osiąga się to poprzez uśrednienie wartości w zakresie od -12 do 14, jest mało prawdopodobne, aby był to dokładny pomiar, chociaż może być dokładny. Dokładny pomiar może spowodować, że wszystkie punkty danych zgromadzą się w okolicy 17, co byłoby niedokładne, ale precyzyjne, a zatem przewidywalne.
