Pull to refresh

Comments 2

Что-то у меня мозг болеть начал на этом месте:
Хорошо известные методы контроля сходимости при изменении масштаба модели и построения прямых моделей к обратным с последующим сравнением исходных данных и результатов прямого моделирования на обратной модели позволяют получить вычислительно корректный результат.


Напрашивается аналогия: создаем картинку, белый круг на черном фоне. Инвертируем её и получаем черный круг на белом фоне. Уменьшаем масштаб (количество пикселей) в 4 раза. Инвертируем обратно. Получили белый круг на черном фоне, только немного грубее (ожидаемо). Ура! Методика дает достоверные результаты, потому что получили то же самое (почти) с чего начали. Теперь будем из 4-х пикселей восстанавливать HD портрет бандита, мельком заснятого на камеру наблюдения, ночью, во время дождя, со спины?

Достоверность чего Вы проверяете, каких моделей, для каких целей? Может хоть в двух словах скажете о чем вообще речь? Может пояснения некоторых терминов еще дадите. Ну, знаете, как в научных статьях принято. (Вы же научный стиль пытались изобразить?)

И еще. Что за корреляции? Что за подписи (латинские и греческие буковки) на графиках? Регрессию чего на чего делали? Откуда взялась третья линия (в описании две величины указаны)? Почему линии, для которых корреляции с оригиналом указаны как -1 и +1 направлены в одну сторону (имеют одинаковый уклон)?

Извините, но Вы у меня просто несколько минут жизни украли, так как информативность статьи где-то около 0.

Простите, но если вы не понимаете русский текст и англоязычные подписи на графиках, вряд ли я вам могу помочь. Попробуйте по ссылке в статье посмотреть интерактивный ноутбук с вычислениями на питоне, если вы можете код понимать. По численным методам могу порекомендовать учебники почитать, но там тоже надо текст осознать. Будут вопросы по существу - пишите, а вот так как у вас получилось - не стоит.

Sign up to leave a comment.

Articles