سرفصل‌ها درس 33 از 246 · ماژول 2: ریاضی و احتمال، فقط به اندازهٔ نیاز
ماژول 2: ریاضی و احتمال، فقط به اندازهٔ نیاز

کدام حدس داده را بهتر توضیح می‌دهد (درست‌نمایی)

چرا مهم است تقریباً هر زیانی در این دوره پنهانی همان ایده است: مدلی را انتخاب کنید که دادهٔ دیده‌شده تحت آن محتمل‌ترین باشد.

اعداد کوچک

یک سکه را 10 بار می‌اندازید و 7 شیر می‌بینید. آیا سکه سالم است؟ بپرسید: اگر احتمال شیر p بود، دقیقاً همین دنباله چقدر محتمل بود؟ برای p = 0.5 برابر 0.5 به توان 10، حدود 0.00098، است. برای p = 0.7 برابر 0.7 به توان 7 ضرب در 0.3 به توان 3، حدود 0.0022، یعنی بیش از دو برابر محتمل‌تر است. هر p را از 0 تا 1 بپیمایید و بهترین دقیقاً 0.7 است: سهم شیرهایی که دیدید.

درست‌نمایی: اینکه دادهٔ مشاهده‌شده تحت یک تنظیم خاص مدل چقدر محتمل است. بیشینهٔ درست‌نمایی: تنظیمی که آن را محتمل‌ترین می‌کند.

حاصل‌ضرب احتمال‌های کوچک بسیار برای کامپیوتر بیش از حد کوچک می‌شود، پس به جای آن لگاریتم‌ها را جمع می‌زنیم: لگاریتم درست‌نمایی. بهترین تنظیم تغییر نمی‌کند، چون لگاریتم وقتی ورودی‌اش بالا می‌رود همیشه بالا می‌رود.

خلاصه تنظیمی را انتخاب کنید که آنچه دیدید را کمترین شگفتی کند.

واژه‌ها و نمادهای این درس
درست‌نمایی
اینکه دادهٔ دیده‌شده تحت یک تنظیم مدل چقدر محتمل است
نوبت شما

log_likelihood(p, heads, tails) و best_p(heads, tails) را بنویسید؛ دومی p را روی np.linspace(0.001, 0.999, 999) می‌پیماید و p با بیشترین لگاریتم درست‌نمایی را برمی‌گرداند.

دو قاعدهٔ لگاریتمی که اینجا لازم دارید: لگاریتم یک حاصل‌ضرب جمع لگاریتم‌هاست، log(a × b) = log a + log b، و بنابراین یک توان به جلو می‌آید، log(p7) = 7 log p.

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.