یک قاعده پشت هر بررسی «آیا واقعی است»
چرا مهم است این دوره دستکم به چهار روش تفاوتها را سنجیده است: یک بازهٔ جفتی (ماژول 9)، «0.1 بالاتر و بالاتر روی هر بذر» (ماژولهای 16 و 17)، و 2 خطای استاندارد (این ماژول). همه همان ایدهاند، و دانستنش به شما اجازه میدهد درستش را برگزینید، و بدانید کی یکی بیش از حد سخاوتمند است.
هر قاعده یک تفاوت را با نویز آن مقایسه میکند. دو انتخاب پاسخ را تغییر میدهند:
- جفتی یا نه. وقتی هر دو مدل روی همان نمونهها امتیاز میگیرند (تصاویر آزمون ماژول 9)، اول نمونه به نمونه کم کنید: دشواری هر نمونه حذف میشود، نویز کوچک میشود و تفاوتهای واقعی کوچک آشکار میشوند. برای دو طبقهبند روی همان نمونهها، تمیزترین شمارش فقط نمونههایی است که در آنها اختلاف دارند (آزمون McNemar). بذرهای اجراهای جداگانه جفتی نیستند: دو گروه را بهصورت کل مقایسه کنید.
- آستانه چقدر سختگیرانه است. 2 خطای استاندارد فرض میکند نویز را میدانید. با 3 بذر در هر سو آن را از 3 عدد برای هر کدام برآورد کردید، و آن برآورد بهآسانی میتواند خیلی کوچک باشد. t استیودنت این را در نظر میگیرد: آستانه به
stats.t.ppf(0.975, df)خطای استاندارد تبدیل میشود، که df (درجههای آزادی) از فرمول Welch میآید،df = (va + vb)**2 / (va**2 / (na - 1) + vb**2 / (nb - 1))باva = var(a) / na. با 3 بذر در هر سو df برابر 2 تا 4 و آستانه 2.8 تا 4.3 است، نه 2.
اول پیشبینی کنید: روی شبکهٔ ثبتشده، آیا آستانهٔ سختگیرانهتر هرگز یک «shown» از قاعدهٔ 2 خطای استاندارد را برمیگرداند؟
واژهها و نمادهای این درس
- بذر
- عددی که انتخابهای تصادفی یک اجرا را ثابت میکند؛ بذری دیگر نتیجهٔ دیگری میدهد
- خطای استاندارد
- اینکه یک تفاوت سنجیدهشده اگر بذرها دوباره اجرا شوند چقدر جابهجا میشود
my_guess را برابر "yes" یا "no" قرار دهید. welch(a, b) را بنویسید که (diff, se, df) را برای دو فهرست از زیانهای بذر برمیگرداند (diff = mean(a) - mean(b): وقتی b، مدل بزرگتر، بهتر است مثبت). سپس برای هر مورد در CASES، result[case] را با دیکشنریای پر کنید: 'ratio' (diff / se)، 'cutoff' (آستانهٔ t)، 'two_se' و 't' ("shown" یا "not shown" با هر قاعده). disagree را برابر فهرست موردهایی قرار دهید که دو قاعده در آنها فرق دارند.
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.