Qué suposición explica mejor los datos (verosimilitud)
Por qué importa Casi todas las pérdidas de este curso son en secreto la misma idea: elige el modelo con el que los datos que viste son más probables.
Números diminutos
Lanzas una moneda 10 veces y ves 7 caras. ¿Es justa la moneda? Pregunta: si la probabilidad de cara fuera p, ¿qué probabilidad tiene exactamente esta secuencia? Para p = 0.5 es 0.5 elevado a 10, unos 0.00098. Para p = 0.7 es 0.7 elevado a 7 por 0.3 elevado a 3, unos 0.0022, más del doble de probable. Recorre cada p de 0 a 1 y la mejor es exactamente 0.7: la proporción de caras que viste.
Verosimilitud: lo probables que son los datos observados con un ajuste concreto del modelo. Máxima verosimilitud: el ajuste que los hace más probables.
Los productos de muchas probabilidades pequeñas se vuelven demasiado pequeños para un ordenador, así que en su lugar sumamos logaritmos: la log-verosimilitud. El mejor ajuste no cambia, porque el log siempre sube cuando su entrada sube.
Resumen Elige el ajuste que haga menos sorprendente lo que viste.
Palabras y símbolos de esta lección
- verosimilitud
- lo probables que son los datos que viste con un ajuste del modelo
Escribe log_likelihood(p, heads, tails) y best_p(heads, tails), que recorre p sobre np.linspace(0.001, 0.999, 999) y devuelve la p con la log-verosimilitud más alta.
Dos reglas de los logaritmos que necesitas aquí: el log de un producto es la suma de los logs, log(a × b) = log a + log b, y por eso una potencia sale delante, log(p7) = 7 log p.
¿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.