ਲਾਭ:
- ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਕੇ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਦੇ ਨਾਲ ਮਾਪਦੰਡਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਕੇ ਕਰਵ_ਫਿਟ ਦੇ ਨਾਲ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਨੂੰ ਫਿੱਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਜਾਂਚ ਕਰਕੇ ਫਿੱਟ ਗੁਣਵੱਤਾ ਦਾ ਇਮਾਨਦਾਰੀ ਨਾਲ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚੋ
- ਲੱਭੇ ਗਏ ਮਾਪਦੰਡਾਂ ਦੀ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ 'ਸਰੀਰਕ ਤੌਰ' ਤੇ ਸਹੀ' ਫਿਟ ਤੋਂ 'ਚੰਗੀ ਦਿੱਖ' ਫਿੱਟ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਭੌਤਿਕ ਵਿਗਿਆਨ ਆਖਰਕਾਰ ਪ੍ਰਯੋਗਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਕੋਈ ਥਿਊਰੀ ਭਾਵੇਂ ਕਿੰਨੀ ਵੀ ਸ਼ਾਨਦਾਰ ਹੋਵੇ, ਜੇਕਰ ਇਹ ਮਾਪਿਆ ਡੇਟਾ ਨਾਲ ਸਹਿਮਤ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਅਵੈਧ ਹੈ। ਕਰਵ ਫਿਟਿੰਗ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹੈ: ਥਿਊਰੀ (ਇੱਕ ਲਾਈਨ, ਇੱਕ ਘਾਤਕ, ਇੱਕ ਓਸਿਲੇਸ਼ਨ) ਦੁਆਰਾ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਮਾਡਲ ਨੂੰ ਉਹਨਾਂ ਸ਼ੋਰ ਮਾਪ ਬਿੰਦੂਆਂ ਵਿੱਚ ਫਿੱਟ ਕਰਨਾ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਹਨ ਅਤੇ ਮਾਡਲ ਦੇ ਮਾਪਦੰਡਾਂ (ਢਲਾਨ, ਸਥਿਰ, ਬਾਰੰਬਾਰਤਾ) ਨੂੰ ਲੱਭਣਾ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਪ੍ਰਯੋਗ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਕਰਵ ਫਿਟਿੰਗ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਸੈੱਟ ਕਰਨਾ ਹੈ, ਅਤੇ ਸਭ ਤੋਂ ਗੰਭੀਰ ਤੌਰ 'ਤੇ-ਫਿੱਟ "ਚੰਗਾ ਦਿਖਣ" ਅਤੇ "ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਸਹੀ ਹੋਣ" ਵਿੱਚ ਅੰਤਰ ਕਿਵੇਂ ਦੱਸਣਾ ਹੈ। ਸਟੈਂਡਰਡ ਟੂਲ scipy.optimize.curve_fit (SciPy ਫੰਕਸ਼ਨ ਹੈ ਜੋ ਡੇਟਾ ਲਈ ਮਾਡਲ ਫੰਕਸ਼ਨ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ)।
ਕਰਵ ਫਿਟਿੰਗ ਦਾ ਤਰਕ ਅਤੇ ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਕਰਵ ਫਿਟਿੰਗ ਇਹ ਕਰਦੀ ਹੈ: ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਫੰਕਸ਼ਨ ਚੁਣਦੇ ਹੋ (ਜਿਵੇਂ ਕਿ y = a·x + b), ਅਤੇ ਐਲਗੋਰਿਦਮ a ਅਤੇ b ਦੇ ਮੁੱਲ ਲੱਭਦਾ ਹੈ ਜੋ ਘੱਟ ਤੋਂ ਘੱਟ ਗਲਤੀ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਫਿੱਟ ਕਰਦੇ ਹਨ। AI ਸਹੀ ਮਾਡਲ ਫੰਕਸ਼ਨ ਨੂੰ ਕੋਡਿੰਗ ਕਰਨ, ਕਰਵ_ਫਿਟ ਕਾਲ ਸੈਟ ਅਪ ਕਰਨ, ਅਤੇ ਨਤੀਜੇ ਦੀ ਕਲਪਨਾ ਕਰਨ ਵਿੱਚ ਤੇਜ਼ ਹੈ। ਪਰ ਦੋ ਅਹਿਮ ਫੈਸਲੇ ਤੁਹਾਡੇ ਹਨ: (1) ਕਿਹੜਾ ਮਾਡਲ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਸਹੀ ਹੈ? (2) ਕੀ ਫਿੱਟ ਦੀ ਗੁਣਵੱਤਾ ਅਸਲ ਵਿੱਚ ਚੰਗੀ ਹੈ? AI ਡੇਟਾ ਲਈ 10ਵੇਂ ਕ੍ਰਮ ਦੇ ਬਹੁਪਦ ਨੂੰ ਵੀ ਫਿੱਟ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇੱਕ ਕਰਵ ਖਿੱਚ ਸਕਦਾ ਹੈ ਜੋ ਲਗਭਗ ਸੰਪੂਰਨ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ — ਪਰ ਇਹ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਰਥਹੀਣ ਓਵਰਫਿਟਿੰਗ ਹੋਵੇਗੀ।
ਸਰੀਰਕ ਘਟਨਾ
ਉਮੀਦ ਕੀਤੀ ਮਾਡਲ
ਪੈਰਾਮੀਟਰ ਮਿਲਿਆ
ਨਿਰੰਤਰ ਗਤੀ ਗਤੀ
y = a·x + b
ਢਲਾਨ = ਗਤੀ
ਰੇਡੀਓਐਕਟਿਵ ਸੜਨ
N = N₀·e^(−λt)
λ = ਸੜਨ ਸਥਿਰ
ਬਸੰਤ ਰੀਲੀਜ਼
x = A·cos(ωt + φ)
ω = ਕੋਣੀ ਬਾਰੰਬਾਰਤਾ
ਓਹਮ ਦਾ ਕਾਨੂੰਨ
V = R·I
R = ਵਿਰੋਧ (ਢਲਾਨ)
ਮੁਫ਼ਤ ਗਿਰਾਵਟ
y = ½·g·t²
g = ਗਰੈਵੀਟੇਸ਼ਨਲ ਪ੍ਰਵੇਗ
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਇਮਾਨਦਾਰ ਕਰਵ ਫਿੱਟ ਕਰਨਾ
1. ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਮਾਡਲ ਚੁਣੋ, ਡੇਟਾ ਤੋਂ ਨਹੀਂ। ਪਹਿਲਾਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰੋ ਕਿ ਘਟਨਾ ਨੂੰ ਕਿਹੜੇ ਭੌਤਿਕ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਡੇਟਾ ਨੂੰ ਦੇਖ ਕੇ ਇੱਕ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਨਾ ਅਤੇ "ਜੋ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਹੈ" ਦੀ ਚੋਣ ਕਰਨਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਡੇਟਾ ਦੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ - ਖਤਰਨਾਕ।
2. ਡੇਟਾ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਰਜ ਕਰੋ। ਮਾਪਣ ਬਿੰਦੂਆਂ ਦੇ ਨਾਲ, ਹਰੇਕ ਬਿੰਦੂ ਦੀ ਮਾਪ ਗਲਤੀ (ਸਿਗਮਾ ਪੈਰਾਮੀਟਰ) ਵੀ ਦਾਖਲ ਕਰੋ, ਜੇਕਰ ਕੋਈ ਹੋਵੇ। ਇਹ ਫਿੱਟ ਅਤੇ ਪੈਰਾਮੀਟਰ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਸਹੀ ਗਣਨਾ ਲਈ ਜ਼ਰੂਰੀ ਹੈ।
3. ਪੈਰਾਮੀਟਰ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨੂੰ ਪੜ੍ਹੋ। curve_fit covariance ਮੈਟ੍ਰਿਕਸ ਤੋਂ ਲਏ ਗਏ ਪੈਰਾਮੀਟਰ ਮੁੱਲ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਦੋਵਾਂ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਪੈਰਾਮੀਟਰ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਤੋਂ ਬਿਨਾਂ ਰਿਪੋਰਟ ਕਰਨਾ ਅਧੂਰਾ ਹੈ: "g = 9.7 ± 0.3 m/s²" ਕਹਿਣਾ ਸਿਰਫ਼ "9.7" ਕਹਿਣ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਹੈ।
4. ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਨਾਲ ਫਿੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਬਕਾਇਆ ਮਾਡਲ ਤੋਂ ਹਰੇਕ ਮਾਪ ਬਿੰਦੂ ਦਾ ਭਟਕਣਾ ਹੈ। ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਬੇਤਰਤੀਬ ਵੰਡ ਚੰਗੀ ਫਿਟ ਦੀ ਨਿਸ਼ਾਨੀ ਹੈ; ਇੱਕ ਵਿਵਸਥਿਤ ਕਰਵ (ਉਦਾਹਰਨ ਲਈ ਸਾਰੇ ਮਾਡਲ ਦੇ ਉੱਪਰ ਇੱਕ ਥਾਂ) ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਾਡਲ ਗਲਤ ਹੈ।
5. ਸਰੀਰਕ ਵਾਜਬਤਾ ਦੀ ਜਾਂਚ ਕਰੋ। ਕੀ g ਮੁੱਲ 9.8 ਜਾਂ 50 ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ? ਕੀ ਇੱਕ ਰੋਧਕ ਨਕਾਰਾਤਮਕ ਗਿਆ ਸੀ? ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਪੈਰਾਮੀਟਰ ਇੱਕ ਸਮੱਸਿਆ ਦਾ ਸੰਕੇਤ ਦਿੰਦੇ ਹਨ, ਭਾਵੇਂ ਫਿੱਟ "ਚੰਗਾ ਲੱਗ ਰਿਹਾ ਹੋਵੇ।"
ਸੁਝਾਅ: ਸਿਰਫ਼ ਅੱਖਾਂ ਦੀ ਰੌਸ਼ਨੀ 'ਤੇ ਭਰੋਸਾ ਕਰਕੇ ਫਿੱਟ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਨਿਰਣਾ ਨਾ ਕਰੋ। ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਹਮੇਸ਼ਾ ਇੱਕ ਵੱਖਰੇ ਗ੍ਰਾਫ 'ਤੇ ਪਲਾਟ ਕਰੋ। ਇੱਕ ਚੰਗੀ ਫਿਟ ਵਿੱਚ, ਰਹਿੰਦ-ਖੂੰਹਦ ਜ਼ੀਰੋ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸ਼ੋਰ ਵਾਂਗ ਖਿੱਲਰਦੇ ਹਨ; ਇੱਕ ਖਰਾਬ ਫਿਟ ਦੇ ਨਾਲ, ਇੱਕ ਦ੍ਰਿਸ਼ਮਾਨ ਪੈਟਰਨ (ਲਹਿਰ, ਢਲਾਨ, ਯੂ-ਆਕਾਰ) ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ. ਇਹ ਪੈਟਰਨ ਸਭ ਤੋਂ ਇਮਾਨਦਾਰ ਸੰਕੇਤ ਹੈ ਕਿ ਤੁਹਾਡਾ ਮਾਡਲ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਕਮਜ਼ੋਰ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਓਵਰਫਿਟਿੰਗ ਜਾਲ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ 8 ਡਾਟਾ ਪੁਆਇੰਟਾਂ ਵਿੱਚ AI-ਸੁਝਾਏ ਗਏ 7ਵੀਂ ਡਿਗਰੀ ਬਹੁਪਦ ਨੂੰ ਫਿੱਟ ਕੀਤਾ; ਕਰਵ ਸਾਰੇ ਬਿੰਦੂਆਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ ਅਤੇ "ਸੰਪੂਰਨ" ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਪਰ ਦੋ ਬਿੰਦੂਆਂ ਦੇ ਵਿਚਕਾਰ ਕਰਵ ਬੇਤੁਕੇ ਤੌਰ 'ਤੇ ਘੁੰਮਦੀ ਹੈ। ਵਿਦਿਆਰਥੀ ਭੌਤਿਕ ਵਿਗਿਆਨ ਵੱਲ ਮੁੜਿਆ: ਇਹ ਇੱਕ ਲੀਨੀਅਰ ਰਿਸ਼ਤਾ ਸੀ। ਜਦੋਂ ਉਸਨੇ ਇੱਕ ਸਧਾਰਨ ਲਾਈਨ ਫਿੱਟ ਕੀਤੀ, ਤਾਂ ਮਾਪਦੰਡਾਂ ਨੇ ਭੌਤਿਕ ਅਰਥ ਲਏ; ਉੱਚ ਕ੍ਰਮ ਬਹੁਪਦ ਨੇ ਹੁਣੇ ਹੀ ਰੌਲੇ ਨੂੰ ਯਾਦ ਕੀਤਾ ਸੀ।
ਕੇਸ 2 - ਅਨਿਸ਼ਚਿਤਤਾ ਭੁੱਲ ਗਈ। ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ YZ ਦੁਆਰਾ ਲਿਖੇ ਕੋਡ ਦੇ ਨਾਲ ਗਰੈਵੀਟੇਸ਼ਨਲ ਪ੍ਰਵੇਗ g = 9.73 ਲੱਭਿਆ ਅਤੇ ਰਿਪੋਰਟ ਕੀਤੀ। ਉਸ ਦੇ ਸਲਾਹਕਾਰ ਨੇ ਅਨਿਸ਼ਚਿਤਤਾ ਬਾਰੇ ਪੁੱਛਿਆ. ਖੋਜਕਰਤਾ ਨੇ ਕਰਵ_ਫਿਟ ਦੇ ਕੋਵੇਰੀਅੰਸ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ; ਜਦੋਂ ਗਣਨਾ ਕੀਤੀ ਗਈ, ਤਾਂ ਅਨਿਸ਼ਚਿਤਤਾ ±0.4 ਨਿਕਲੀ, ਭਾਵ ਨਤੀਜਾ 9.81 ਦੇ ਮਿਆਰੀ ਮੁੱਲ ਨਾਲ ਇਕਸਾਰ ਸੀ। ਅਸਪਸ਼ਟਤਾ ਦੇ ਬਿਨਾਂ, ਨਤੀਜੇ ਦਾ "9.81 ਤੋਂ ਭਟਕਣਾ" ਵਜੋਂ ਗਲਤ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਕੇਸ 3 - ਰਹਿੰਦ-ਖੂੰਹਦ ਨੇ ਗਲਤੀ ਦਿਖਾਈ। ਇੱਕ ਅਧਿਆਪਕ ਨੇ ਇੱਕ ਕੂਲਿੰਗ ਪ੍ਰਯੋਗ ਵਿੱਚ ਇੱਕ ਸਿੱਧੀ ਲਾਈਨ ਫਿੱਟ ਕੀਤੀ ਅਤੇ ਇਹ ਵਾਜਬ ਜਾਪਿਆ। ਪਰ ਜਦੋਂ ਉਸਨੇ ਸਕ੍ਰੈਪ ਦੀ ਸਾਜ਼ਿਸ਼ ਰਚੀ, ਤਾਂ ਇੱਕ ਵੱਖਰਾ ਕਰਵ ਪੈਟਰਨ ਸਾਹਮਣੇ ਆਇਆ। ਅਸਲ ਵਿੱਚ ਕੀ ਹੋਇਆ ਇੱਕ ਘਾਤਕ ਕੂਲਿੰਗ ਸੀ। ਜਦੋਂ ਉਸਨੇ ਸਹੀ ਮਾਡਲ (ਘਾਤ ਅੰਕੀ) ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਤਾਂ ਰਹਿੰਦ-ਖੂੰਹਦ ਬੇਤਰਤੀਬ ਹੋ ਗਏ ਅਤੇ ਫਿੱਟ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਰਥਪੂਰਨ ਬਣ ਗਏ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਭੌਤਿਕ ਮਾਡਲ ਦੇ ਨਾਲ ਫਿਟਿੰਗ:
ਇੱਕ ਕਰਵ_ਫਿਟ ਕੋਡ ਲਿਖੋ ਜੋ ਭੌਤਿਕ ਮਾਡਲੀ = [ਮਾਡਲ ਫੰਕਸ਼ਨ] ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ([x ਅਤੇ y ਮੁੱਲ, ਇਕਾਈਆਂ ਵਿੱਚ]) ਵਿੱਚ ਫਿੱਟ ਕਰਦਾ ਹੈ। ਕੋਵੇਰੀਅੰਸ ਤੋਂ ਪ੍ਰਾਪਤ ਮਾਪਦੰਡ ਅਤੇ 1-ਸਿਗਮਾ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨੂੰ ਛਾਪੋ। ਇੱਕ ਵੱਖਰੇ ਗ੍ਰਾਫ਼ 'ਤੇ ਡੇਟਾ, ਫਿੱਟ ਕਰਵ, ਅਤੇ ਬਾਕੀ ਬਚੇ ਪਲਾਟ ਬਣਾਓ। ਮੈਂ ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਮਾਡਲ ਦੀ ਚੋਣ ਕੀਤੀ; ਤੁਸੀਂ ਇਸ ਨੂੰ ਲਾਗੂ ਕਰੋ।
2) ਫਿੱਟ ਮੁਲਾਂਕਣ ਦੀ ਗੁਣਵੱਤਾ:
ਕੋਡ ਸ਼ਾਮਲ ਕਰੋ ਜੋ ਹੇਠਾਂ ਫਿੱਟ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ: ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਪਲਾਟ ਕਰੋ, ਇੱਕ ਮਾਪ ਜਿਵੇਂ ਕਿ ਚੀ-ਵਰਗ ਜਾਂ R² ਦੀ ਗਣਨਾ ਕਰੋ, ਅਤੇ ਜੇਕਰ ਰਹਿੰਦ-ਖੂੰਹਦ ਵਿੱਚ ਇੱਕ ਯੋਜਨਾਬੱਧ ਪੈਟਰਨ ਹੈ ਤਾਂ ਲਿਖਤੀ ਰੂਪ ਵਿੱਚ ਟਿੱਪਣੀ ਕਰੋ। ਫਿੱਟ ਕੋਡ: [ਇੱਥੇ]
3) ਮਾਡਲ ਤੁਲਨਾ:
ਕੋਡ ਲਿਖੋ ਜੋ ਦੋ ਵੱਖ-ਵੱਖ ਭੌਤਿਕ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕੋ ਡੇਟਾ ਨਾਲ ਫਿੱਟ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਲਨਾ ਕਰਦਾ ਹੈ: [ਮਾਡਲ A] ਅਤੇ [ਮਾਡਲ B]। ਦੋਵਾਂ ਦੇ ਪੈਰਾਮੀਟਰ, ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ, ਅਤੇ ਬਾਕੀ ਬਚੇ ਪੈਟਰਨ ਦਿਖਾਓ। ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਮੇਰੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਅਨੁਕੂਲ ਹੈ; ਦੋਨਾਂ ਨੂੰ ਨਾਲ-ਨਾਲ ਪੇਸ਼ ਕਰੋ। ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚਣਾ ਯਾਦ ਰੱਖੋ।
4) ਅਨਿਸ਼ਚਿਤਤਾ ਰਿਪੋਰਟਿੰਗ:
ਕੋਡ ਸ਼ਾਮਲ ਕਰੋ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਫਿੱਟ ਦੇ ਹਰੇਕ ਪੈਰਾਮੀਟਰ ਨੂੰ "ਮੁੱਲ ± ਅਨਿਸ਼ਚਿਤਤਾ (ਯੂਨਿਟ)" ਫਾਰਮੈਟ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਅੰਕਾਂ ਦੀ ਉਚਿਤ ਸੰਖਿਆ ਦੇ ਨਾਲ ਪ੍ਰਿੰਟ ਕਰਦਾ ਹੈ। ਫਿੱਟ ਕਰੋ ਜੇਕਰ ਕੋਈ ਪੈਰਾਮੀਟਰ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਮੁੱਲ ਲੈਂਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਨੈਗੇਟਿਵ ਪੁੰਜ)। ਕੋਡ: [ਇੱਥੇ]
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਉਹ ਵਕਰ ਲੱਭੋ ਜੋ ਇਹਨਾਂ ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਕਰਦਾ ਹੈ।"
ਸਿੱਟਾ: AI ਇੱਕ ਉੱਚ-ਕ੍ਰਮ ਬਹੁਪਦ ਨੂੰ "ਸੰਪੂਰਨ" ਪਰ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਰਥਹੀਣ ਫਿੱਟ ਦੇ ਸਕਦਾ ਹੈ; ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਹੋਰ ਨਹੀਂ।
ਮਜ਼ਬੂਤ: "ਇੱਕ ਕਰਵ_ਫਿਟ ਕੋਡ ਲਿਖੋ ਜੋ ਰੇਡੀਓਐਕਟਿਵ ਡਿਕੇ ਮਾਡਲ N = N₀·e^(−λt) ਨੂੰ ਇਸ (t, N) ਡੇਟਾ ਵਿੱਚ ਫਿੱਟ ਕਰਦਾ ਹੈ। λ ਅਤੇ N₀ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ। ਇੱਕ ਵੱਖਰੇ ਗ੍ਰਾਫ ਵਿੱਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਪਲਾਟ ਕਰੋ ਅਤੇ ਜੇਕਰ ਕੋਈ ਯੋਜਨਾਬੱਧ ਪੈਟਰਨ ਹੈ ਤਾਂ ਟਿੱਪਣੀ ਕਰੋ। ਜੇਕਰ λ ਨਕਾਰਾਤਮਕ ਹੈ ਤਾਂ ਚੇਤਾਵਨੀ ਦਿਓ।"
ਨਤੀਜਾ: ਭੌਤਿਕ ਮਾਡਲ, ਅਨਿਸ਼ਚਿਤ ਮਾਪਦੰਡ, ਬਚੀ ਹੋਈ ਜਾਂਚ ਅਤੇ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਦੀ ਜਾਂਚ।
ਆਮ ਗਲਤੀਆਂ
- ਡੇਟਾ ਤੋਂ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਨਾ। ਭੌਤਿਕ ਕਾਨੂੰਨ ਦੀ ਬਜਾਏ "ਸਭ ਤੋਂ ਵਧੀਆ ਫਿਟ" ਦੀ ਚੋਣ ਕਰਨਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਡੇਟਾ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਓਵਰਫਿਟਿੰਗ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਅਨਿਸ਼ਚਿਤਤਾ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਪੈਰਾਮੀਟਰ ਮੁੱਲ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਅਧੂਰਾ ਹੈ; ਕੀ ਦੋ ਨਤੀਜੇ ਅਨੁਕੂਲ ਹਨ ਜਾਂ ਨਹੀਂ, ਸਿਰਫ ਅਨਿਸ਼ਚਿਤਤਾ ਦੁਆਰਾ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ.
- ਬਚੇ ਹੋਏ ਨੂੰ ਰਗੜਨਾ ਨਹੀਂ। ਨਜ਼ਰ ਨੂੰ ਦੇਖ ਕੇ ਪਾਲਣਾ ਨੂੰ "ਚੰਗਾ" ਘੋਸ਼ਿਤ ਕਰਨਾ ਯੋਜਨਾਬੱਧ ਭਟਕਣਾਂ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ।
- ਮਹੱਤਵਪੂਰਨ ਅੰਕਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਅੰਦਾਜ਼ਾ ਲਗਾਓ। g = 9.73418 ± 0.4 ਲਿਖਣਾ ਇੱਕ ਗਲਤ ਸ਼ੁੱਧਤਾ ਹੈ; ਅਨਿਸ਼ਚਿਤਤਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਕਿੰਨੇ ਅੰਕ ਮਹੱਤਵਪੂਰਨ ਹਨ।
- ਭੌਤਿਕ ਤਰਕਸ਼ੀਲਤਾ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ. ਅਸੰਭਵ ਨਤੀਜਿਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਨਕਾਰਾਤਮਕ ਪ੍ਰਤੀਰੋਧ ਜਾਂ 50 m/s² ਗੰਭੀਰਤਾ।
ਧਿਆਨ ਦਿਓ: ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਇੱਕ ਕਰਵ ਡੇਟਾ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਕਰਦਾ ਹੈ ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ ਕਿ ਅੰਡਰਲਾਈੰਗ ਭੌਤਿਕ ਵਿਗਿਆਨ ਸਹੀ ਹੈ। ਕਾਫ਼ੀ ਮੁਫ਼ਤ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ, ਇੱਕ "ਚੰਗਾ" ਕਰਵ ਕਿਸੇ ਵੀ ਡੇਟਾ ਲਈ ਫਿੱਟ ਹੋ ਸਕਦਾ ਹੈ। ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਲਈ ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਨ, ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਨ, ਅਤੇ ਬਚੇ ਹੋਏ ਤੱਤਾਂ ਦੀ ਇਮਾਨਦਾਰੀ ਨਾਲ ਜਾਂਚ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਵਧੀਆ AI ਦੁਆਰਾ ਤਿਆਰ ਗ੍ਰਾਫਿਕ ਇਹਨਾਂ ਨਿਯੰਤਰਣਾਂ ਦਾ ਕੋਈ ਬਦਲ ਨਹੀਂ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਪ੍ਰਯੋਗ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਏਆਈ ਤੇਜ਼ੀ ਨਾਲ ਕਰਵ ਫਿਟਿੰਗ ਕੋਡ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਸਥਾਪਤ ਕਰਦਾ ਹੈ; ਪਰ ਇਹ ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਕਿ ਉਹ ਭੌਤਿਕ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰੇ, ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਸਹੀ ਰਿਪੋਰਟ ਕਰੇ, ਅਤੇ ਫਿੱਟ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਇਮਾਨਦਾਰੀ ਨਾਲ ਮੁਲਾਂਕਣ ਕਰੇ। ਇੱਕ ਚੰਗਾ ਵਿਸ਼ਲੇਸ਼ਣ ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਮਾਡਲ ਲੈਂਦਾ ਹੈ, ਮਾਪਦੰਡਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਦੇ ਨਾਲ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ, ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਦੀ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਅਗਲੀ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਇਸ ਸੰਕਲਪ ਦੀ ਹੋਰ ਡੂੰਘਾਈ ਵਿੱਚ ਚਰਚਾ ਕਰਾਂਗੇ — ਮਾਪ ਦੀ ਗਲਤੀ ਅਤੇ ਗਲਤੀ ਪ੍ਰਸਾਰਣ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਭੌਤਿਕ ਮਾਡਲ ਨੂੰ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਵਿੱਚ ਫਿੱਟ ਕਰੋ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਹੈ ਜਾਂ ਤਿਆਰ ਕੀਤਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਪੈਂਡੂਲਮ ਦੀ ਲੰਬਾਈ-ਅਵਧੀ ਮਾਪ ਜਾਂ ਇੱਕ ਰੋਧਕ ਦੇ ਮੌਜੂਦਾ-ਵੋਲਟੇਜ ਡੇਟਾ)। ਕੋਡ ਨੂੰ 1st ਟੈਂਪਲੇਟ ਨਾਲ AI ਤੇ ਛਾਪੋ, ਇਸਨੂੰ ਚਲਾਓ; ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਪੜ੍ਹੋ ਅਤੇ ਬਚੇ ਹੋਏ ਤੱਤਾਂ ਨੂੰ ਪਲਾਟ ਕਰੋ। ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਵਿੱਚ ਇੱਕ ਵਿਵਸਥਿਤ ਪੈਟਰਨ ਹੈ, ਕੀ ਮਾਪਦੰਡ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਵਾਜਬ ਹਨ। 5-6 ਵਾਕਾਂ ਵਿੱਚ ਲਿਖੋ: ਕੀ ਫਿੱਟ ਅਸਲ ਵਿੱਚ ਵਧੀਆ ਸੀ, ਅਨਿਸ਼ਚਿਤਤਾ ਨੇ ਕੀ ਕਿਹਾ?
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਮਾਡਲ ਨੂੰ ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਚੁਣਿਆ, ਡੇਟਾ ਤੋਂ ਨਹੀਂ।
- [ ] ਮੈਂ ਫਿਟਿੰਗ ਵਿੱਚ ਮਾਪ ਅਨਿਸ਼ਚਿਤਤਾ, ਜੇਕਰ ਕੋਈ ਹੋਵੇ, ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਉਚਿਤ ਮਹੱਤਵਪੂਰਨ ਅੰਕਾਂ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਇੱਕ ਵੱਖਰੇ ਗ੍ਰਾਫ 'ਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਪਲਾਟ ਕੀਤਾ ਅਤੇ ਵਿਵਸਥਿਤ ਪੈਟਰਨਾਂ ਦੀ ਖੋਜ ਕੀਤੀ।
- [ ] ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਕਿ ਮਾਪਦੰਡ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਵਾਜਬ ਹਨ।
- [ ] ਮੈਂ ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਪਰਹੇਜ਼ ਕੀਤਾ (ਬੇਲੋੜੀ ਉੱਚ ਆਜ਼ਾਦੀ)।