البذور والانتشار
لماذا هذا مهم قم بتدريب نفس النموذج مرتين ببذور مختلفة وستحصل على نتائج مختلفة. حتى تعرف حجم هذا التذبذب، لا يمكنك معرفة ما إذا كان أي تغيير قد ساعد.
هنا يحدد الـ seed ثلاثة أشياء: أي الصور ستوضع في مجموعات التدريب والاختبار، والأوزان الابتدائية، وترتيب البيانات. لا ينبغي لأي منها أن يهم، لكنها جميعا تهم قليلاً. لذا قم دائماً بالتدريب باستخدام عدة seeds، وأبلغ عن المتوسط والانتشار (standard deviation)، ولا تكتفِ أبداً بتشغيل واحد.
قاعدة تقريبية لمقارنة إعدادين، كل منهما متوسط على n من البذور: الفرق بين المتوسطين يتذبذب بنحو spread مضروباً في sqrt(2 / n) (كل متوسط يتذبذب بنحو spread / sqrt(n)، ويتجمع تذبذبان مستقلان في المربعات). الفرق الأصغر من نحو ضعفي ذلك ليس فرقاً يمكنك الوثوق به. مع 5 بذور وspread قدره 0.02، فإن ذلك يساوي 2 مضروباً في 0.02 مضروباً في sqrt(0.4) = 0.025.
اكتب seed_report(n_seeds) الذي يعيد (mean, std) لـ train_and_score عبر البذور من 0 إلى n_seeds - 1. استخدم np.std كما هو (فهو يقسم على n؛ القسمة على n - 1، ddof=1، مقبولة أيضاً). ثم اضبط wobble على الانتشار عبر 5 بذور.
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.