Dự báo trong y tế

Dự báo chuỗi thời gian từ file Holt–Winters, chấm điểm bằng MASE so với naive

Tải chuỗi lịch sử lên, nhận dự báo VÀ điểm số trung thực: mô hình có thắng nổi dự báo ngây thơ hay không. Dữ liệu mẫu là chuỗi hành khách hàng không kinh điển.

Hướng dẫn Công thức API

Đang chạy trên dữ liệu mẫu, không phải dữ liệu của bạn. Các ô còn nguyên mẫu dựng sẵn: Chuỗi số liệu (dán hoặc tải CSV). Chọn nguồn dữ liệu khác ở cột bên trái rồi chạy lại để có kết quả của riêng bạn.

MASE 0.5498

MAPE (holdout) 7.22%

Phán quyết TỐT HƠN naive

Dự báo kỳ tới 190.8419

Kết luận Tốt hơn naive

① Nguồn dữ liệu Tải fileCSV/TXT tới 32 MB · 200.000 dòng

Nhận dấu phẩy, chấm phẩy hoặc tab; tự nhận dòng tiêu đề; hiểu cả 1.234.567 lẫn 1.234,56.

Dán dữ liệuChuỗi số liệu (dán hoặc tải CSV)

Lấy từ internetdán đường dẫn trang hoặc file

Chỉ tải http/https tới địa chỉ công khai; địa chỉ nội bộ bị từ chối.

② Tham số Cột giá trị

Chu kỳ mùa vụ · 12 = tháng, 7 = ngày, 1 = không

124

Số kỳ cần dự báo

136

Số kỳ giữ lại để chấm điểm

148

Giá trị mặc định là ví dụ chạy được — bấm Tính ngay để xem kết quả, rồi thay dữ liệu của bạn vào.

Tổng quan Biểu đồ Bảng số liệu Công thức Hướng dẫn

Thực tế · holdout · dự báo

Thực tếMô hình trên holdoutDự báo tương lai

Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.

Diễn giải nhanh

MASE = 0.550 — thắng dự báo naive

MASE là MAE của mô hình chia MAE của 'kỳ này bằng kỳ trước'. Từ 1 trở lên nghĩa là mô hình không tạo ra giá trị nào so với quy tắc đơn giản nhất có thể.

MAE 14.75 so với naive 26.83

Đo trên 12 kỳ holdout mà mô hình chưa từng nhìn thấy. Đo trên dữ liệu huấn luyện luôn cho kết quả đẹp hơn thực tế.

Bias = -14.75

Sai số lệch hẳn một phía nghĩa là mô hình có thiên lệch hệ thống — chỗ này sửa được, khác với nhiễu ngẫu nhiên.

Khoảng 90% cho kỳ tới: 176.69 – 204.99

Dựng từ độ lệch chuẩn phần dư trên holdout. Nó rộng, và đó là sự thật về mức bất định — con số điểm duy nhất che mất điều đó.

Khi nào con số này sai: MASE là chỉ số quyết định: dưới 1 nghĩa là mô hình thắng dự báo ngây thơ, từ 1 trở lên nghĩa là công sức bỏ ra không tạo giá trị nào. Rất nhiều mô hình phức tạp thua 'kỳ này bằng kỳ trước' và không ai kiểm tra.

Chi tiết

Số điểm dữ liệu	48 (train 36 · holdout 12)
Chu kỳ mùa vụ	12
MAE mô hình / naive	14.7529 / 26.8333
Bias	-14.7529 — dự báo thấp hơn thực tế
Dự báo 6 kỳ	190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83
Khoảng 90% kỳ tới	176.69 – 204.99
Phương pháp	Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3)

Thực tế · holdout · dự báo

Thực tếMô hình trên holdoutDự báo tương lai

Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.

Sai số trên holdout: mô hình vs naive

mô hìnhnaive

Cột sáng thấp hơn cột tối ở đa số kỳ thì mô hình mới thực sự thắng, chứ không phải chỉ thắng ở trung bình.

Toàn bộ chỉ số

Số điểm dữ liệu	48 (train 36 · holdout 12)
Chu kỳ mùa vụ	12
MAE mô hình / naive	14.7529 / 26.8333
Bias	-14.7529 — dự báo thấp hơn thực tế
Dự báo 6 kỳ	190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83
Khoảng 90% kỳ tới	176.69 – 204.99
Phương pháp	Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3)

Công thức đang dùng

MASE = MAE(mô hình) / MAE(naive) — dưới 1 mới có giá trị

Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng. API tại /api/v1/tools/ts-forecast gọi đúng hàm này, nên kết quả trên trang và qua API không thể lệch nhau.

Cách dùng

Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
Với ô dữ liệu: dán vài chục dòng để thử, hoặc tải file CSV/TXT lên để chạy thật. File tối đa 32 MB, 200.000 dòng; bộ đọc nhận dấu phẩy, chấm phẩy hoặc tab, tự nhận dòng tiêu đề, và hiểu cả 1.234.567 lẫn 1.234,56.
Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.

Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Dự báo trong y tế là gì

Dự báo thời tiết nghiệp vụ dựa trên mô hình khí tượng số giải phương trình động lực khí quyển, sau đó hiệu chỉnh thống kê theo quan trắc địa phương. Giới hạn dự báo hữu ích khoảng 7–10 ngày là giới hạn vật lý, không phải giới hạn công nghệ.

Làm thế nào

Lấy đầu ra từ nhiều mô hình toàn cầu và khu vực.
Hiệu chỉnh sai lệch có hệ thống theo từng trạm và từng mùa.
Kết hợp thành dự báo tổ hợp để định lượng bất định.
Với chân trời rất ngắn, dùng ngoại suy radar (nowcasting).

Đo bằng chỉ số nào

RMSE nhiệt độ theo chân trời	chỉ số cơ bản
Brier score	chất lượng dự báo xác suất
Độ tin cậy tổ hợp	khoảng dự báo có phủ đúng tần suất không

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! T

! í

! n

! h

! ỗ

! n

! l

! o

! ạ

! n

! c

! ủ

! a

! k

! h

! í

! q

! u

! y

! ể

! n

! l

! à

! m

! s

! a

! i

! s

! ố

! t

! ă

! n

! g

! t

! h

! e

! o

! h

! à

! m

! ũ

! ;

! h

! ứ

! a

! h

! ẹ

! n

! d

! ự

! b

! á

! o

! c

! h

! í

! n

! h

! x

! á

! c

! 1

! 5

! n

! g

! à

! y

! l

! à

! b

! ấ

! t

! k

! h

! ả

! t

! h

! i

! v

! ề

! n

! g

! u

! y

! ê

! n

! l

! ý

! .

Câu hỏi thường gặp

Dự báo trong y tế là gì?

Dự báo trong y tế được làm như thế nào?

1. Lấy đầu ra từ nhiều mô hình toàn cầu và khu vực. 2. Hiệu chỉnh sai lệch có hệ thống theo từng trạm và từng mùa. 3. Kết hợp thành dự báo tổ hợp để định lượng bất định. 4. Với chân trời rất ngắn, dùng ngoại suy radar (nowcasting).

Dự báo trong y tế hay sai ở đâu?

T í n h h ỗ n l o ạ n c ủ a k h í q u y ể n l à m s a i s ố t ă n g t h e o h à m m ũ ; h ứ a h ẹ n d ự b á o c h í n h x á c 1 5 n g à y l à b ấ t k h ả t h i v ề n g u y ê n l ý .

Đo dự báo trong y tế bằng chỉ số nào?

RMSE nhiệt độ theo chân trời — chỉ số cơ bản; Brier score — chất lượng dự báo xác suất; Độ tin cậy tổ hợp — khoảng dự báo có phủ đúng tần suất không.

Dự báo trong y tế trên QuantHub đã dùng được chưa?

Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.

Sản phẩm nào của QuantHub phục vụ dự báo trong y tế?

AI Forecast (đang thử nghiệm).

Dự báo chuỗi thời gian từ file Holt–Winters, chấm điểm bằng MASE so với naive

Thực tế · holdout · dự báo

Diễn giải nhanh

Chi tiết

Thực tế · holdout · dự báo

Sai số trên holdout: mô hình vs naive

Toàn bộ chỉ số

Công thức đang dùng

Cách dùng

Dự báo trong y tế là gì

Làm thế nào

Đo bằng chỉ số nào

Sai ở đâu

Mô hình định lượng dùng trong Weather

Sản phẩm liên quan

Câu hỏi thường gặp

Chủ đề khác trong Weather