میلههای خطا با نمونهگیری دوباره (bootstrap)
چرا مهم است «95% درستی روی 100 نمونه» بهآسانی میتواند روی 100 نمونهٔ بعدی 90% یا 99% باشد. یک میلهٔ خطا میگوید چقدر به آن عدد اعتماد کنید.
آن را ببینید
پویانمایی را پخش کنید. فقط یک مجموعهٔ آزمون دارید، اما میتوانید بپرسید: اگر مجموعهٔ آزمون کمی متفاوت درآمده بود، امتیاز چقدر تغییر میکرد؟ با کشیدن تصادفی 100 نمونه از 100 نمونهٔ خودتان، با جایگذاری (بعضی نمونهها دو بار، بعضی اصلاً نه)، یک مجموعهٔ آزمون ساختگی تازه بسازید و امتیازش دهید. این کار را 2,000 بار انجام دهید. 95% میانی آن امتیازها میلهٔ خطای شماست.
Bootstrap: برآورد عدم قطعیت با نمونهگیری دوباره از دادهٔ خودتان با جایگذاری. بازهٔ 95%: صدک 2.5 تا 97.5 امتیازهای نمونهگیریشده.
واژهها و نمادهای این درس
- bootstrap
- نمونهگیری دوباره از مجموعهٔ آزمون با تکرار تا ببینید یک امتیاز چقدر نوسان دارد
- بازهٔ 95%
- 95% میانی امتیازهای نمونهگیریشده
bootstrap_ci(correct, n=2000, seed=0) را بنویسید: همهٔ نمونهگیریها را با هم با np.random.default_rng(seed).integers(0, len(correct), (n, len(correct))) بکشید، هر کدام را امتیاز دهید و صدکهای 2.5 و 97.5 را برگردانید.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.