أشرطة الخطأ عن طريق إعادة أخذ العينات (bootstrap)
لماذا هذا مهم "دقة بنسبة 95% على 100 عنصر" قد تكون بسهولة 90% أو 99% على الـ 100 التالية. يوضح هامش الخطأ مدى الثقة في الرقم.
شاهده
قم بتشغيل الرسوم المتحركة. لديك مجموعة اختبار واحدة فقط، ولكن يمكنك السؤال: إذا كانت مجموعة الاختبار قد ظهرت بشكل مختلف قليلاً، فكم سيتغيرتت النتيجة؟ قم بإنشاء مجموعة اختبار وهمية جديدة عن طريق سحب 100 عنصر من الـ 100 الخاصة بك عشوائيا، مع الإحلال (بعض العناصر مرتين، وبعضها ليس على الإطلاق)، وقم بتقييمها. افعل ذلك 2,000 مرة. الـ 95% الوسطى من تلك النتائج هي هامش الخطأ الخاص بك.
Bootstrap: تقدير عدم اليقين عن طريق إعادة أخذ عينات من بياناتك مع الإحلال. 95% interval: المئين من 2.5 إلى 97.5 للدرجات المعاد أخذ عينات منها.
الكلمات والرموز في هذا الدرس
- bootstrap
- إعادة أخذ عينات من مجموعة الاختبار الخاصة بك مع التكرارات لمعرفة مدى تذبذب النتيجة
- 95% فاصل
- النسبة الوسطى 95% من الدرجات المعاد أخذ عينات منها
اكتب bootstrap_ci(correct, n=2000, seed=0): ارسم جميع العينات المعاد أخذها دفعة واحدة باستخدام np.random.default_rng(seed).integers(0, len(correct), (n, len(correct)))، وقم بتقييم كل منها، وأعد المئينات 2.5 و 97.5.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.