कौन-सा अनुमान data को सबसे अच्छा समझाता है (likelihood)
यह क्यों मायने रखता है इस कोर्स का लगभग हर loss चुपके से एक ही विचार है: वह model चुनें जिसके अंतर्गत आपका देखा data सबसे संभावित हो।
छोटी संख्याएँ
आप एक सिक्का 10 बार उछालते हैं और 7 heads देखते हैं। क्या सिक्का उचित है? पूछें: अगर heads की संभावना p होती, तो ठीक यह क्रम कितना संभावित है? p = 0.5 के लिए यह 0.5 की घात 10 है, लगभग 0.00098। p = 0.7 के लिए यह 0.7 की घात 7 गुणा 0.3 की घात 3 है, लगभग 0.0022, दोगुने से ज़्यादा संभावित। 0 से 1 तक हर p देखें और सबसे अच्छा ठीक 0.7 है: आपके देखे heads का हिस्सा।
Likelihood: model की एक ख़ास setting के अंतर्गत देखा data कितना संभावित है। Maximum likelihood: वह setting जो उसे सबसे संभावित बनाए।
कई छोटी probabilities के गुणनफल एक computer के लिए बहुत छोटे बन जाते हैं, इसलिए हम इसके बजाय logarithms जोड़ते हैं: log-likelihood। सबसे अच्छी setting नहीं बदलती, क्योंकि log हमेशा तब बढ़ता है जब उसका input बढ़ता है।
सार वह setting चुनें जो आपके देखे को सबसे कम चौंकाने वाला बनाए।
इस पाठ के शब्द और चिह्न
- likelihood
- model की एक setting के अंतर्गत आपका देखा data कितना संभावित है
log_likelihood(p, heads, tails) और best_p(heads, tails) लिखें, जो np.linspace(0.001, 0.999, 999) पर p देखे और सबसे ऊँची log-likelihood वाला p लौटाए।
यहाँ आपको चाहिए दो log नियम: एक गुणनफल का log logs का जोड़ है, log(a × b) = log a + log b, और इसलिए एक घात आगे आ जाती है, log(p7) = 7 log p।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।