Benih dan penyebaran
Kenapa ini penting Latih model yang sama dua kali dengan seed yang berbeda dan kamu akan dapat skor yang berbeda. Sampai kamu tahu seberapa besar goyangan itu, kamu tidak bisa tahu apakah ada perubahan yang membantu.
Di sini seed menentukan tiga hal: gambar mana yang masuk ke set training dan test, bobot awal, dan urutan data. Semuanya tidak seharusnya berpengaruh, tapi sebenarnya semuanya berpengaruh sedikit. Jadi selalu latih beberapa seed, dan laporkan rata-rata serta penyebaran (standard deviation), jangan hanya satu kali jalan.
Aturan kasar untuk membandingkan dua pengaturan, masing-masing dirata-rata dari n seed: selisih dari dua rata-rata tersebut berfluktuasi sekitar spread dikali sqrt(2 / n) (masing-masing rata-rata berfluktuasi sebesar spread / sqrt(n), dan dua fluktuasi independen dijumlahkan dalam bentuk kuadrat). Selisih yang lebih kecil dari sekitar dua kali lipat itu bukan sesuatu yang bisa kamu percaya. Dengan 5 seed dan spread 0.02, itu adalah 2 kali 0.02 kali sqrt(0.4) = 0.025.
Tulis seed_report(n_seeds) yang mengembalikan (mean, std) dari train_and_score pada seed 0 sampai n_seeds - 1. Gunakan np.std apa adanya (ini membagi dengan n; membagi dengan n - 1, ddof=1, juga diterima). Lalu atur wobble ke spread pada 5 seed.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.