灵敏度分析(Sensitivity Analysis)是指通过对模型中各个参数或变量进行变动,来研究这些变动对模型输出结果的影响程度。
灵敏度分析旨在评估模型的鲁棒性和确定性,帮助决策者了解模型的稳定性和可靠性,以及识别影响决策结果的关键因素。
灵敏度分析的步骤通常如下:
- 确定输入参数:首先,需要明确模型中的输入参数,也就是可能影响模型结果的变量或参数。
- 定义变动范围:针对每个输入参数,确定其变动的范围和方式。可以是简单的增加或减少一个百分比,或者定义具体的取值范围。
- 进行模型运算:根据变动的输入参数,运行模型计算并记录输出结果。
- 分析结果:比较不同参数变动对输出结果的影响,可以使用图表、散点图、敏感度指标等方法进行可视化和分析。
- 确定关键因素:根据分析结果,确定哪些参数对模型结果具有较大的影响,这些参数被称为关键因素。关键因素的变动会对模型结果产生较大的波动。
灵敏度分析可以帮助决策者了解模型中各个参数对结果的贡献程度,从而识别风险和不确定性,并优化决策策略。它在许多领域都有广泛的应用,例如金融风险管理、供应链优化、环境影响评估等。
影响力分析(Influence Analysis)是一种用于评估模型中各个数据点对模型输出结果的影响程度的方法。
通过进行影响力分析,可以识别出对模型结果具有较大影响的数据点,并进一步了解这些数据点对于模型的预测结果产生的贡献。
以下是影响力分析的一般步骤:
- 训练模型:首先,需要使用训练数据集来训练模型,得到一个初始的模型。
- 评估模型:使用验证数据集或交叉验证等方法对模型进行评估,得到模型的性能指标,例如准确率、均方误差等。
- 选择数据点:从验证数据集中选择一个或多个数据点,这些数据点将成为进行影响力分析的对象。 移除数据点:将选择的数据点从验证数据集中移除,即在移除这些数据点后,构建一个新的验证数据子集。
- 重新训练模型:使用新的验证数据子集重新训练模型,得到一个调整后的模型。
- 评估模型性能:将调整后的模型应用于选择的数据点,并计算模型在这些数据点上的性能指标,例如预测值与真实值之间的误差。
- 比较结果:比较移除数据点前后的模型性能指标,评估数据点对模型结果的影响。
如果某个数据点的移除显著改变了模型的性能指标,那么可以认为这个数据点具有较大的影响力。
通过影响力分析,可以识别到对模型预测结果产生较大影响的数据点,这些数据点可能是异常值、离群点或者具有特殊性质的数据。进一步分析这些影响力较大的数据点,可以帮助我们了解模型在不同情况下的行为和性能,从而提高模型的可解释性和鲁棒性。