Graines et dispersion
Pourquoi c'est important Entraîne deux fois le même modèle avec des graines différentes et tu obtiens des scores différents. Tant que tu ne sais pas quelle est la taille de cette variation, tu ne peux pas dire si un changement a aidé.
Ici la graine décide trois choses : quelles images tombent dans les jeux d'entraînement et de test, les poids de départ et l'ordre des données. Aucune ne devrait compter, mais toutes comptent, un peu. Donc entraîne toujours plusieurs graines, et rapporte la moyenne et la dispersion (écart type), jamais une seule exécution.
Une règle approximative pour comparer deux réglages, chacun moyenné sur n graines : la différence des deux moyennes varie d'environ la dispersion fois sqrt(2 / n) (chaque moyenne varie de dispersion / sqrt(n), et deux variations indépendantes s'additionnent au carré). Une différence plus petite qu'environ deux fois ça n'est pas une différence à laquelle tu peux te fier. Avec 5 graines et une dispersion de 0.02, ça fait 2 fois 0.02 fois sqrt(0.4) = 0.025.
Écris seed_report(n_seeds) qui renvoie (mean, std) de train_and_score sur les graines 0 à n_seeds - 1. Utilise np.std tel quel (il divise par n ; diviser par n - 1, ddof=1, est aussi accepté). Puis affecte à wobble la dispersion sur 5 graines.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.