چقدر داده کافی است؟
چرا مهم است «باید دادهٔ بیشتری جمع کنیم یا مدل بزرگتری بسازیم؟» پرسشی است که پول واقعی میارزد. یک منحنی یادگیری به آن پاسخ میدهد.
همان مدل را روی برشهای رو به رشد داده آموزش دهید و دقت اعتبارسنجی را در برابر تعداد نمونهها رسم کنید. در اوایل، هر دو برابر شدن خیلی کمک میکند. بعدها، هر دو برابر شدن کمتر و کمتر کمک میکند: منحنی تخت میشود. جایی که تقریباً تخت شده، دادهٔ بیشتر چندان کمکی نمیکند و یک مدل بهتر شاید کمک کند.
پیشبینی منحنی: از روی دقت در 50، 100 و 200 رقم آموزشی، دقت در 400 را پیشبینی کنید، سپس آن را بسنجید.
accuracy_with(n) را بنویسید: رگرسیون لجستیک را روی n رقم آموزشی اول (پیکسلها صافشده) آموزش دهید و دقت روی 400 رقم آزمون را برگردانید. my_guess_400 را پس از نگاه به سه مقدار اول و پیش از محاسبهٔ چهارمی پر کنید.
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.