分析

在SuperMemo菜单栏中点击**工具：统计：分析**(Shift+Alt+A)，分析提供了图表，说明当前打开的集合中学习进度。

除了分析之外，SuperMemo还提供了其他多种分析工具。

使用

学习过程的统计数据随时间变化的图表。这些图表记录了每日统计数字的变化，如某一天的记忆卡片、测量的遗忘指数或未完成项目的数量。当天的第一个非零值被记录下来。如果该值之后增加，则忽略该增加值（少数情况除外，如新记忆项目的统计，等等）。如果你在学习中中断了，最后记录的非零值将在你没有使用SuperMemo的时期内增加（除了少数情况，如重复次数的统计等）。

要放大图表的一部分（如下面的图片），用鼠标扫过要删除的图表部分，即指向焦点日期，向左移动鼠标并释放鼠标按钮。这样就会在鼠标移动的方向上切掉部分图形。你也可以使用Ctrl+Left和Ctrl+Right按钮来放大（见下文）。

使用统计（statistics）

下面是SuperMemo每天记录的统计数据，显示在Use标签上。

已完成的工作（Work done）
- 使用时间（Use time） - 你每天主动使用某个学习集(collection)的总时间。时间取自学习区块记录（**工具箱(Toolkit)：睡眠图（Sleep Chart）**为红色）。天数从午夜算起（即不考虑午夜班）。
- 回忆时间（Recall time） - 你每天花在试图回忆问题答案上的总时间
- 重复项目(Repetitions) - 你每天记录的卡片(item)）和文本(topic)的复习数量
- 卡片重复（Item repetitions） - 你每天记录的卡片（item）重复次数
- 文本复习(topic reviews) - 你每天的文本(topic)fuxi记录
待办队列

- 数目

杰出因素

预定在某一天
- 未决 - 所有[未决元素]的数量(https://help.supermemo.org/wiki/Glossary:Outstanding_element)，安排在某一天。
- 未完成的项目 - 计划在某一天进行的未完成项目的数量
- 未完成的课题 - 在某一天安排的未完成课题的数量
负载（burden）
- Burden - 当前Burden参数记录。Burden估计每天安排重复的元素的数量，假设学习过程中没有延迟。负担是间隔的倒数之和。负担 = 项目负担 + 主题负担
- 项目负担 - 当前**负担**为项目
- 主题负担 - 当前**负担**为主题。

4.元素计数

  - **Elements** - 某天记录的[元素](https://help.supermemo.org/wiki/Glossary:Element)的总数(即[主题](https://help.supermemo.org/wiki/Glossary:Topic)+[概念](https://help.supermemo.org/wiki/Glossary:Concept)+[项目](https://help.supermemo.org/wiki/Glossary:Item)+[任务](https://help.supermemo.org/wiki/Glossary:Task)

  - **项目** - 某天记录的[收藏品](https://help.supermemo.org/wiki/Glossary:Item)的数量(https://help.supermemo.org/wiki/Glossary:Collection)

  - **主题和任务** - 某一天记录的[主题](https://help.supermemo.org/wiki/Glossary:Topic)和[任务](https://help.supermemo.org/wiki/Glossary:Task)的数量(见[下面的示范图](https://help.supermemo.org/wiki/Analysis#Use.C2.A0:_Element_count.C2.A0:_Topics_and_tasks))

  - **任务列表(*当前选择的任务列表名称/*)** - 当前使用的[任务列表](https://help.supermemo.org/wiki/Glossary:Task)上的[任务]数量(其名称显示在括号中)。使用[任务列表管理器](https://help.supermemo.org/wiki/Tasklist_manager)中的**设置**按钮来改变当前选择的[任务列表](https://help.supermemo.org/wiki/Glossary:Tasklist)。

5.记住了

  - **记忆** - 参加学习过程的[元素](https://help.supermemo.org/wiki/Glossary:Element)的数量（即没有[被解雇](https://help.supermemo.org/wiki/Glossary:Dismissed_element)和没有[待定](https://help.supermemo.org/wiki/Glossary:Pending_element)）。

  - **记忆的项目** - 参加学习过程的[项目]数量(https://help.supermemo.org/wiki/Glossary:Item)

  - **记忆中的主题** - 参加学习过程的[主题]数量(https://help.supermemo.org/wiki/Glossary:Topic)

6.新背的

  - **新记忆的** - 在某一天新记忆的[元素](https://help.supermemo.org/wiki/Glossary:Element)(见[下面的示范图](https://help.supermemo.org/wiki/Analysis#Use.C2.A0:_Newly_memorized))

  - **新项目** - 在某一天记住的新[项目](https://help.supermemo.org/wiki/Glossary:Item)

  - **新题目** - 在某一天记住的新[题目](https://help.supermemo.org/wiki/Glossary:Topic)

效率
- 遗忘指数 - 测量的遗忘指数(存储的数据有一定程度的平滑，以可视化的趋势)
- 保留率 - 保留率，每天测量。这张图是经过平滑处理的，以便更好地阅读长期趋势。要想获得更精确的读数，请看下一个标签。回忆。Retention标签现在可以容纳超过十年的数据，并保留了兼容性。回忆选项卡包含未经处理的原始数据，你可以随时用光滑进行打磨，使趋势可视化
- 回忆 - 每天正确答案的比例（由算法SM-18登记）。这是未经处理的原始数据，你可以将其导出到Excel中，供你自己分析。与**保留率标签进行比较。它也应该与遗忘指数**标签上显示的数据大致对应（回忆率是100%减去遗忘指数）。
- SM16中的R--由算法SM-15估计的可检索性(R)(R是保留的预测值，而召回率是保留的测量值)
- SM18中的R - 可检索性（R）由算法SM-18估计。
- SM16/SM18 Diff--SuperMemo算法的召回估计偏差的百分点差异(abs(R16-Recall)-abs(R18-Recall))。差值越大，新的[算法SM-18]（https://supermemo.guru/wiki/Algorithm_SM-18）的性能越好。正是该算法准确预测遗忘概率的能力，使得它在间隔重复中的优势。这个标签显示了超级备忘录18在准确预测回忆方面的接近程度（与旧的算法相比）。
- SM16指标 - [算法SM-15]（https://supermemo.guru/wiki/Algorithm_SM-15）的性能指标。它是预测差异平方的平均数的平方根，以百分点表示（数字越小，说明召回的预测精度越高）。
- SM18公制 - 算法SM-18的性能公制。它的计算方法与 SM16 Metric 标签上的类似参数相同。理想情况下，这个选项卡上的数字应该更低，表明算法SM-18的优越性。
- R-Metric - 算法SM-18的最终性能指标。它与旧的算法SM-15进行了比较。它是以前标签中两个指标之间的性能指标差异。SM16指标减去SM18指标。数字越大，算法SM-18对于给定的集合的优越性就越大。在指标为负数的日子里，旧的算法会比算法SM-18表现更好。由于遗忘是随机的，一天的实际度量结果是一种抽奖。只有每天有更多的重复次数才能提供一致的结果。对于一个基于8800个数据点的示范图，见。下面的例子。
- 主题负荷 - 在某一天安排审查的主题在所有元素中的比例。主题负荷=未决主题/未决要素。主题负荷是以任何一天的百分比表示。主题的负荷不应与**排序标准中主题的比例**混淆。如果可能的话，主题的比例与主题的负荷无关（例如，对于零主题负荷，你不能实现大于零的比例，等等）。如果你不使用自动排序，主题负载告诉你，你的重复的比例是由主题组成的。

8.超负荷工作

  \- 已执行的重复次数除以未执行的重复次数（即实际执行的重复次数的百分比）。

  - **要素** - 所有未完成的重复执行的百分比

  - **项目** - [未完成](https://help.supermemo.org/wiki/Glossary:Outstanding_element)[项目](https://help.supermemo.org/wiki/Glossary:Item)重复执行的百分比

  - **主题** - 已完成的[杰出](https://help.supermemo.org/wiki/Glossary:Outstanding_element)[主题](https://help.supermemo.org/wiki/Glossary:Topic)评论的百分比

9.优先保护

  \- 在某一天，你对高优先级材料的处理能力。如果你的图表在以下范围内震荡

  优先权

  3%，你就会知道，只有前3%的学习材料能保证及时重复。你可以通过做更多的工作，减少新材料的流入，降低不那么重要的元素的优先级，或降低随机化程度来增加这个数字。

  未完成的队列

  分选标准

  .阅读有关这一重要参数的文章

  [优先权规则手册](https://help.supermemo.org/wiki/Priority_queue#Prioritization_rulebook)

  - **项目** - 在重复中被遗漏的最高优先级的[项目](https://help.supermemo.org/wiki/Glossary:Item)（具有最低的百分比）。([未决队列](https://help.supermemo.org/wiki/Glossary:Outstanding_queue)中的实际百分比可能要高得多(因为你主要是审查高[优先级](https://help.supermemo.org/wiki/Glossary:Priority))

  - **主题** - 在重复中被遗漏的最优先的[主题](https://help.supermemo.org/wiki/Glossary:Topic)（百分比最低）。(见：[下面的示范图](https://help.supermemo.org/wiki/Analysis#Use.C2.A0:_Priority_protection.C2.A0:_Topics))

###使用上下文菜单

下一个（Ctrl+Tab）--切换到下一个主要的使用统计表
上一个（Shift+Ctrl+Tab）--切换回上一个主要的使用统计表
下一个二级（标签）--切换到二级行的下一个标签
上一个二级（Shift+Tab）--切换到二级行的上一个标签。
切掉左边（Ctrl+右箭头）--切掉图形的左边部分以放大其余部分
切掉右边（Ctrl+左箭头）--切掉图形的右边部分以放大其余部分。
切掉顶部（Ctrl+向下箭头）--切掉图形的顶部部分以放大其余部分。
导出 - 将当前显示的统计数据导出为CSV文件（该文件可以在集合的[STATS]子文件夹中找到
导入 - 为当前显示的统计数字导入数据
关闭（Esc）--关闭分析窗口

# # 例子

使用 : 效率 : R-Metric

*图：R-Metric*图显示了算法SM-18比旧的算法SM-15在提出的收集中的优势，使用的测试期为整整4年，可追溯至2015年4月2日。它是用24104个数据点（即有两种算法数据的重复案例）绘制的，并进行了平滑处理以显示趋势。纵轴上0线下的多个点（"R-metric<0"）已经被平滑掉了（它们对应的是前一版本的算法在较小的重复样本中出现优势的日子）。一些积极和消极的趋势与算法的变化相对应，因为数据是在新算法的测试期收集的。2016年2月至5月，指标逐渐增加，可能是统计学上的反常现象，也可能是新的区间值和区间的R-指标较大，偏离了早期SuperMemos中使用的最佳值的结果。后者的解释可能表明，算法SM-18的好处可以随着时间的推移逐渐增加。

使用：元素数。主题和任务

**图：**示例图显示了存储在集合中的主题的总数量。显示在底部的数据取决于鼠标的位置。在这个例子中，它表明在2009年3月6日，有251,228个主题在增量阅读过程中。。

使用 : 新的记忆

[！SuperMemo:Toolkit : Statistics : Analysis : Use : Newly memorized 显示你在个别日子里记住了多少个元素](https://help.supermemo.org/wiki/File:Newly_memorized.jpg)

***图：**示范图显示了个别日子里记忆的元素的数量。通过扫除图表的左右两部分，可以放大学习过程的一小部分。图中显示的时间跨度为2008年7月1日至2009年3月19日。

使用 : 效率 : 遗忘指数

[！SuperMemo:工具箱：统计：分析：使用：效率：遗忘指数显示你在个别日子里测量的遗忘指数的变化](https://help.supermemo.org/wiki/File:Daily_measured_forgetting_index.jpg)

图：示范图，使遗忘指数的分析更有意义。在分析中对遗忘指数的改变使用了每天的测量的遗忘指数（以前：信息量较小的累积测量的遗忘指数值是自上次使用工具包：统计：重置参数：遗忘指数记录后的整个时期取值）。请注意，优先级队列可能会扭曲你的收藏中的实际保留，因为测量值主要取自顶级优先级材料。因此，测量的遗忘指数应该被理解为 "在重复中测量的遗忘指数"，而不是 "整体测量的遗忘指数 "。

使用：优先保护：项目

[！SuperMemo:工具箱：统计：分析：使用：优先保护：项目显示你在个别日子里对高优先级项目的实际处理能力](https://help.supermemo.org/wiki/File:Item_priority_protection.jpg)

**图：**示范图显示在某一天的重复中被遗漏的最高优先级的项目（最低的优先级%）。在图片中，你可以看到在一个月内，项目的优先保护从0.5%增加到11%。这是通过专注于诚实的优先级，做大量的重复工作，避免大量的上调优先级等而实现的。

使用：优先保护：主题

[！SuperMemo:工具箱：统计：分析：使用：优先保护：主题显示你在个别日子里对高优先级主题的实际处理能力](https://help.supermemo.org/wiki/File:Topic_priority_protection.jpg)

***图：**示范图显示审查中遗漏的最高优先级的主题（优先级最低的%）。显示在底部的数据取决于鼠标的位置。在这个例子中，它表明在2013年6月26日，在主题中最差的错过是一个优先级等于7.613%的最重要主题审查队列的主题。 *

遗忘

400条遗忘曲线是独立绘制的，以便计算算法SM-18中的SInc矩阵。这些对应于20个稳定性类别和20个难度类别。通过选择图形底部的标签的适当组合，你可以选择一个感兴趣的遗忘曲线。横轴代表时间，表示为。(1)可检索性，或(2)天数（仅针对第一次重复）。纵轴表示知识保留的百分比。

[！SuperMemo:第一条遗忘曲线（第一次重复的项目没有失误）](https://help.supermemo.org/wiki/File:First_forgetting_curve.jpg)

***图：**用SuperMemo收集的新学知识的第一个遗忘曲线。由于学习过程中新引入的学习材料的异质性，在这种情况下使用了功率近似法。缺乏记忆复杂性的分离，导致了具有不同衰减常数的指数型遗忘的叠加。在半对数图上，功率回归曲线是对数的（黄色），而且看起来几乎是直线。曲线显示，在所提出的案例中，记忆力在四年内仅仅下降到58%，这可以解释为在现实生活中对所记忆的知识的高度重复使用。在可检索性为90%的情况下，复习的第一个最佳间隔是3.96天。遗忘曲线](https://help.supermemo.org/wiki/Glossary:Forgetting_curve)可以用公式R=0.9906*power(interval,-0.07)来描述，其中0.9906是一天后的回忆，而-0.07是衰减常数。在这种情况下，该公式在4天后产生了90%的召回率。80,399个重复的案例被用来绘制所呈现的图表。如果材料中含有较高比例的困难知识（特别是表述不清的知识），或者是记忆能力较差的新学生，记忆力会出现较大幅度的下降。间隔15-20的曲线的不规则性来自于较小的重复样本（在对数尺度上的后来的间隔类别包含了更大的间隔范围）。

遗忘 (UF)

该标签显示旧版SuperMemos中使用的遗忘数据。它只用于记录和显示新算法和旧算法之间的比较。

400条遗忘曲线是独立绘制的，以计算算法SM-15中的RF矩阵。这些对应于20个重复次数类别和20个A因素类别。为了数据表示的方便，第一次重复的RF矩阵的列是由记忆缺失的数量而不是由A因素来索引。通过选择图形底部的标签的适当组合，你可以选择感兴趣的遗忘曲线。横轴代表时间，表示为。(1) U-Factor，即随后的重复间间隔的比率，或(2)天（仅针对第一次重复）。纵轴代表知识保留的百分比。

[！SuperMemo:Toolkit : Statistics : Analysis : Forgetting (UF) graphs for 20 repetition number categories multiplied by 20 A-Factor category](https://help.supermemo.org/wiki/File:Forgetting_curves.jpg)

图：工具包：统计：分析：遗忘（UF）为20个重复次数类别乘以20个A因素类别。在图片中，蓝色圆圈代表在重复过程中收集的数据。圆圈越大，记录的重复次数就越多。红色曲线对应的是通过指数回归得到的最佳拟合遗忘曲线。对于结构不良的材料，遗忘曲线是弯曲的，也就是说，不完全是指数型的。水平的水蓝色线条与要求的遗忘指数相对应，而垂直的绿色线条表示近似的遗忘曲线与要求的遗忘指数线相交的时间点。这个时间点决定了相关的R因子的值，并间接决定了最佳间隔的值。对于第一次重复，R-Factor与第一个最佳间隔相对应。O-Factor](https://help.supermemo.org/wiki/Glossary:O-Factor)和R-Factor的值显示在图表的顶部。它们后面是用于绘制图表的重复案例的数量（即21,303）。在学习过程的开始，没有重复的历史，也没有重复的数据来计算R-Factors。在你的第一个遗忘曲线被绘制出来之前，需要一些时间。由于这个原因，RF矩阵的初始值取自一个低于平均水平的学生的模型。没有使用平均学生的模型，因为从较差的学生参数向上收敛的速度比相反方向的收敛要快。显示在顶部的偏差*参数告诉你负指数曲线对数据的拟合程度。偏差越小，拟合效果越好。偏差是以平方差的平均数的平方根计算的（如最小二乘法中所用）。

[！SuperMemo:在SuperMemo 18中，遗忘曲线可以在不同的重复类别中对A因素进行归一化。因此，你可以显示（1）你的累积遗忘曲线（蓝点），（2）SuperMemo使用的其负指数近似值（红线）和（3）SuperMemo收集的所有遗忘曲线的单个数据点（黄圈）。](https://help.supermemo.org/wiki/File:Cumulative_forgetting_curve.jpg)

***图：*在SuperMemo 18中，遗忘曲线可以在不同的重复次数类别(所有的重复次数)上对A因素进行归一化处理（如上图）。因此，你可以显示：

1.你的累积遗忘曲线（蓝点）。

2.其负指数近似值由SuperMemo使用（黄线）。

3.*由SuperMemo收集的所有遗忘曲线的个别数据点（黄色圆圈，红色边框）。

**时间（归一化）**代表射频矩阵每个卡片的最大U-系数的100%。Decay代表[遗忘曲线]的衰减常数(https://help.supermemo.org/wiki/Glossary:Forgetting_curve)。Cases表示绘制图表时使用的重复案例的数量。Repetitions代表确定R-Factors时执行的重复次数。偏差是数据和近似的遗忘曲线之间的平均平方根。。

稳定

在分析中标有稳定的选项卡可以用来检查SuperMemo中的稳定化曲线。

[！检查不同程度的稳定和难度的稳定曲线](https://help.supermemo.org/wiki/File:Stabilization_curve.jpg)

*图：超级备忘录18使人们可以检查400条独立的稳定化曲线。这些曲线因稳定性和难度的水平而不同。图中显示了难度=0.58，稳定性=59天的曲线。横轴显示可检索性（百分比）。纵轴显示的是稳定化（与稳定性的比率）。早期的重复带来很少的稳定，复习的效果随着下降到可检索性*而迅速增加。

遗忘指数与优先级的关系--这张图告诉你遗忘是如何取决于学习材料的优先级。如果你总是及时浏览你的未完成的材料，如果你坚持20条知识制定规则，你的测量遗忘指数应该与要求遗忘指数相同。这张图就会显示出一条在遗忘指数水平上通过的平坦直线。然而，一旦你开始超负荷学习，并使用**Postpone或Mercy，你的测量的遗忘指数将增加。如果你总是按照优先级对你的重复进行排序（例如，将学习：排序：自动排序重复**选中），你仍然应该确保你的测量遗忘指数等于高优先级元素的请求遗忘指数（即在图表的左侧）。你对低优先级材料的测量的遗忘指数会更高，过载越大，差异越大。如果你通过增加重复的随机性来改变你的重复排序标准，这张图会更平坦，高优先级材料的测量遗忘指数会更高。

###第一个区间

第一次间隔 - 第一次重复之后的第一次间隔的长度取决于某个项目被遗忘的次数。请注意，这里的第一次重复是指遗忘后的第一次重复，不是第一次的重复。换句话说，一个重复了两次的项目在被遗忘之后，其重复次数将等于1；重复次数将不等于3。第一个间隔图显示了指数回归曲线，近似于不同数量的记忆中断（包括与新记忆项目对应的零中断类别）的第一个间隔的长度。在下图中，蓝色圆圈对应的是学习过程中收集的数据（圆圈越大，记录的重复次数越多）。

***图：在上图中，包括了超过130,000次重复的数据，新记忆的项目在7天后得到最佳重复。然而，被遗忘了10次的项目（这在SuperMemo中很罕见）将需要两天的间隔时间。(由于对数缩放，圆圈的大小与数据样本不成正比；lapses=0的重复情况远远大于lapses=10的情况，在工具包：统计：分析：分布：lapses **中可以看出) *

D-Factor vs. A-Factor

D因子与A因子 - DF-AF图显示了R因子的功率近似值沿RF矩阵的列的衰减常数。你需要了解SuperMemo算法SM-15才能理解此图。横轴代表A因子，而纵轴代表D因子（即衰减因子）。D-Factor是曲线的功率近似的衰减常数，可以在分析对话框的**Approximations**标签中进行检查。

###一年级与A-Factor的关系

第一个等级与A因素 - G-AF图将一个项目获得的第一个等级与它的A因素的最终估计值联系起来。在每次重复时，当前元素的旧A-Factor估计值被从图中删除，新的估计值被加入。这个图被SuperMemo算法SM-15用来快速估计A-Factor的第一个值，此时我们对一个元素的了解是它在第一次重复中得到的第一个成绩。

###等级与遗忘指数

评分与遗忘指数 - FI-G图将预期遗忘指数与重复时的成绩联系起来。你需要了解SuperMemo算法SM-15才能理解这个图表。你可以想象，遗忘曲线图的纵轴上可能使用平均成绩，而不是保留率。如果你把这个成绩与遗忘指数相关联，你就会得到FI-G图。这个图形被用来计算估计遗忘指数，而这个指数又被用来对成绩进行归一化处理（对于延迟的或高级的重复），并估计项目的A因子的新值。成绩是用公式计算出来的。成绩=Exp(AFI+B)*，其中A和B是在复读期间收集的原始数据上运行的指数回归的参数。

[！SuperMemo:Toolkit : Statistics : Analysis : Graphs : Grade vs. Forgetting index graph](https://help.supermemo.org/wiki/File:Grade_vs_Forgetting_index.jpg)

分布

间隔

间隔 - 在一个给定的集合中，重复间的间隔分布。通过改变对话框底部的组合框的设置，你可以看到集合中所有元素的间隔分布，只为项目，以及只为主题。

##A-Factors

A-Factors - 在一个给定的集合中，A-Factors的分布。分布本身并没有在算法SM-15中使用，而只是由它产生的。请注意，主题和项目使用不同的A因素类别。在底部选择仅项目或仅主题，可以分别看到项目或主题的分布情况。如果你选择所有元素，你会看到一个不太有意义的集合体分布，由A-Factor类别编号索引。

###困难

困难 - 由算法SM-18确定的项目困难分布。也见。困难

＃＃＃重复次数

重复次数 - 在给定的集合中，项目或主题的重复次数分布；在分布中只考虑记忆的元素，即不存在零重复次数的类别。

＃＃＃孩子

失误 - 在集合中的特定项目被遗忘的次数分布；只考虑记忆的元素。你不应该有超过10%的项目有超过3-4次的失误。如果不是这样，你应该重新审视你制定课题的方式（见制定知识的20条规则）。由于主题在重复时永远不会被 "遗忘"，如果你在元素类型组合框中选择了*主题，那么**失效中就不会有失效列出。

3-D 曲线

这些图表显示了3维的遗忘曲线。有20个图形，底部有A-Factor标签。每张图都对应着不同的A因子（从1.2到6.9）。X轴代表时间（如**【遗忘曲线】(https://help.supermemo.org/wiki/Analysis#Forgetting_curves)）。Y轴代表重复类别（大致对应于重复次数）。纵向的Z轴代表保持率的百分比（即在某一时刻记住了多少）。为了提高可见度，你可以用旋转旋转三维遗忘曲线，或用平滑平滑它们。Rotate将图形的Z轴顺时针旋转90度（从上面看）。这意味着X轴和Y轴会互换。注意，平滑是沿着Y轴进行的。这样就有可能将不同的重复类别中不完全绘制的遗忘曲线对齐。然而，一旦你点击旋转**，Y轴的平滑将产生不同的结果（例如，在第一次旋转之后，平滑将沿着重复类别减少结点）。为了最好地说明遗忘的过程，在旋转图形之前要对其进行平滑处理。

图：遗忘曲线的示范性3-D图，A-因子=3.6。轴。X--重复类别，Y--回忆率(知识保留率)，Z(传入轴)--时间(用U-Factor表示) 。该图沿Y轴进行了平滑处理（通过对不同重复类别对应的结果进行平均），并旋转了一次以获得更好的可见度（斜率说明了各种重复类别在时间上的遗忘大致相似，除了那些重复次数高的，可能反映长间隔的数据稀缺）。要想更好地看到同样的数据在三维中的情况，请看。工具包 : 记忆 : 4D图形 :遗忘*.*

3-D图表

3-D图形直观地表示RF、OF和案例矩阵（见：矩阵）。

S. 衰减

显示SInc斜率是如何计算的图表。

OF 衰减

20条功率近似曲线，显示了R因子沿RF矩阵的列的下降。你需要了解SuperMemo算法SM-15才能理解这些图表。对于每个A因子，随着重复次数的增加，R因子的值会减少（至少理论上应该减少）。功率回归被用来说明这种下降的程度，这种下降最好地反映在这里称为D-因子的衰减常数上。通过选择图表底部的A-Factor标签，你可以查看相应的R-Factor近似曲线。横轴代表重复次数类别，而纵轴代表R-Factor。D-Factor](https://help.supermemo.org/wiki/Glossary:D-Factor)的值显示在图表的顶部。蓝色折线表示从重复次数数据中得出的R-因子。红色曲线显示的是R-Factor的定点功率近似值。绿色曲线表示从OF矩阵得出的R-Factor的定点功率近似值；这相当于用R-Factors的定点功率近似值得到的D-Factor替代从DF-AF线性回归得到的D-Factor。两个近似值都采用了定点法，因为对于重复数等于2的情况，R-因子等于A-因子。

矩阵

你需要了解SuperMemo算法来理解这些表格。

召回率 - 召回率来自Recall[/]矩阵
Metric - 召回率指标，显示在不同的稳定性和难度水平下的召回预测的准确性。
案例 - 计算稳定化矩阵时使用的重复案例
R90 - 预测的可检索性，召回率为90%。
SInc - 稳定化表示为稳定增加矩阵SInc[/]
间隔 - 从OF矩阵得出的[最佳间隔]矩阵(https://help.supermemo.org/wiki/Glossary:Optimum_interval)
R-Factors - [保留因素]的矩阵(https://help.supermemo.org/wiki/Glossary:R-Factor)
OF矩阵 - 由重复号和A因素索引的最佳因素矩阵（除了第一个重复，A因素被替换成记忆缺失）。
RF案例 - 用于计算RF矩阵的相应卡片的重复案例矩阵(双击一个卡片可查看相关的遗忘曲线)。这个矩阵可以手动编辑（例如，如果你想改变重复过程中某些测量的权重）。

＃＃＃常见问题

[我担心我的图表看起来很奇怪，我做错了什么] (https://supermemopedia.com/wiki/Weirdness_in_my_collection)
分析中的数据错误

Thoughts Memo 翻译合集

分析

使用