Semillas y dispersión
Por qué importa Entrena el mismo modelo dos veces con semillas distintas y obtienes puntuaciones distintas. Hasta que no sepas lo grande que es ese bamboleo, no puedes saber si algún cambio ayudó.
Aquí la semilla decide tres cosas: qué imágenes caen en los conjuntos de entrenamiento y de prueba, los pesos iniciales y el orden de los datos. Nada de eso debería importar, pero todo importa, un poco. Así que entrena siempre con varias semillas, y da la media y la dispersión (desviación típica), nunca una sola ejecución.
Una regla aproximada para comparar dos ajustes, cada uno promediado sobre n semillas: la diferencia de las dos medias se bambolea más o menos la dispersión por sqrt(2 / n) (cada media se bambolea dispersión / sqrt(n), y dos bamboleos independientes se suman al cuadrado). Una diferencia más pequeña que más o menos el doble de eso no es una de la que te puedas fiar. Con 5 semillas y una dispersión de 0.02, eso es 2 por 0.02 por sqrt(0.4) = 0.025.
Escribe seed_report(n_seeds) que devuelva (mean, std) de train_and_score con las semillas de 0 a n_seeds - 1. Usa np.std tal cual (divide entre n; también se acepta dividir entre n - 1, ddof=1). Luego pon en wobble la dispersión con 5 semillas.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.