أي تخمين يفسر البيانات بشكل أفضل (likelihood)
لماذا هذا مهمتقريبا كل خسارة في هذا المساق هي في الحقيقة نفس الفكرة: اختر النموذج الذي تكون فيه البيانات التي رأيتها هي الأكثر احتمالا
أرقام صغيرة
تقوم برمي عملة معدنية 10 مرات وترى 7 مرات وجه. هل العملة عادلة؟ اسأل: إذا كانت فرصة ظهور الوجه هي p، فما مدى احتمالية هذا التسلسل بالضبط؟ بالنسبة لـ p = 0.5 تكون الاحتمالية هي 0.5 أس 10، أي حوالي 0.00098. بالنسبة لـ p = 0.7 تكون الاحتمالية هي 0.7 أس 7 مضروبة في 0.3 أس 3، أي حوالي 0.0022، وهي أكثر من ضعف الاحتمالية السابقة. قم بفحص كل p من 0 إلى 1 وأفضل قيمة هي بالضبط 0.7: وهي نسبة ظهور الوجه التي رأيتها.
Likelihood: مدى احتمالية البيانات المرصودة تحت إعداد معين للنموذج. Maximum likelihood: الإعداد الذي يجعلها أكثر احتمالية.
حاصل ضرب احتمالات صغيرة كثيرة يصبح أصغر من أن يتعامل معه الحاسوب، لذا نجمع اللوغاريتمات بدلاً من ذلك: اللوغاريتم الاحتمالي. لا يتغير أفضل إعداد، لأن اللوغاريتم يرتفع دائماً عندما يرتفع مُدخله.
خلاصة اختر الإعداد الذي يجعل ما رأيته أقل إثارة للدهشة.
الكلمات والرموز في هذا الدرس
- likelihood
- ما مدى احتمالية البيانات التي رأيتها تحت إعداد واحد للنموذج
اكتب log_likelihood(p, heads, tails) و best_p(heads, tails)، اللذين يمسحان p عبر np.linspace(0.001, 0.999, 999) ويعيدان p ذات أعلى log-likelihood.
قاعدتان للوغاريتمات تحتاج إليهما هنا: لوغاريتم حاصل الضرب هو مجموع اللوغاريتمات، log(a × b) = log a + log b، وبالتالي يخرج الأس في الأمام، log(p7) = 7 log p.
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.