سرفصل‌ها درس 105 از 246 · ماژول 9: آیا واقعاً بهتر است؟
ماژول 9: آیا واقعاً بهتر است؟

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.

نوبت شما

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.