بذرها و پراکندگی
چرا مهم است همان مدل را دو بار با بذرهای متفاوت آموزش دهید و امتیازهای متفاوت میگیرید. تا وقتی ندانید آن نوسان چقدر بزرگ است، نمیتوانید بگویید آیا تغییری کمک کرده یا نه.
اینجا بذر سه چیز را تعیین میکند: کدام تصاویر در مجموعههای آموزش و آزمون قرار میگیرند، وزنهای آغازین و ترتیب داده. هیچکدام نباید مهم باشند، اما همه کمی مهماند. پس همیشه چند بذر را آموزش دهید و میانگین و پراکندگی (انحراف معیار) را گزارش کنید، هرگز یک اجرای تنها را.
یک قاعدهٔ تقریبی برای مقایسهٔ دو تنظیم، که هر کدام روی n بذر میانگین گرفته شده: تفاوت دو میانگین تقریباً به اندازهٔ پراکندگی ضرب در sqrt(2 / n) نوسان دارد (هر میانگین به اندازهٔ spread / sqrt(n) نوسان دارد و دو نوسان مستقل بهصورت مربعی جمع میشوند). تفاوتی کوچکتر از حدود دو برابر آن قابل اعتماد نیست. با 5 بذر و پراکندگی 0.02، این میشود 2 ضرب در 0.02 ضرب در sqrt(0.4) = 0.025.
seed_report(n_seeds) را بنویسید که (mean, std) مقدار train_and_score را روی بذرهای 0 تا n_seeds - 1 برمیگرداند. از np.std همانطور که هست استفاده کنید (بر n تقسیم میکند؛ تقسیم بر n - 1، یعنی ddof=1، هم پذیرفته است). سپس wobble را برابر پراکندگی روی 5 بذر قرار دهید.
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.