Le hasard, les moyennes et la dispersion
Pourquoi c'est important Les données d'entraînement sont des échantillons aléatoires, les poids commencent au hasard, et un classifieur sort des probabilités. Il te faut juste assez de probabilités pour lire ces nombres.
Vois-le
Lance un dé équilibré de nombreuses fois. Chaque face sort environ 1 fois sur 6. La moyenne des faces se stabilise près de 3.5, même si tu ne peux jamais obtenir 3.5. Cette valeur de stabilisation, c'est l'espérance : la moyenne à long terme.
Un échantillon plus grand donne une moyenne plus proche de 3.5. Avec 10 lancers, tu pourrais voir 2.9 ou 4.1 ; avec 10 000 lancers, tu verras quelque chose comme 3.49 ou 3.51. Retiens ça : un nombre mesuré sur quelques exemples vacille ; sur beaucoup, il se stabilise.
Probabilité : la part à long terme des fois où quelque chose arrive. Espérance : la moyenne à long terme, la somme de chaque résultat fois sa probabilité.
Récap Les moyennes se stabilisent quand l'échantillon grandit. Les petits échantillons mentent un peu.
Mots et symboles de cette leçon
- espérance (E[x])
- la moyenne à long terme
Écris expected_value(outcomes, probs) (la somme des résultats fois leur probabilité), et simulate_mean(n, seed) qui lance un dé équilibré n fois avec np.random.default_rng(seed).integers(1, 7, size=n) et renvoie la moyenne.
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.