Barre d'errore ricampionando (bootstrap)
Perché è importante "95% di accuratezza su 100 elementi" potrebbe facilmente essere 90% o 99% sui 100 successivi. Una barra d'errore dice quanto fidarsi del numero.
Guardalo
Avvia l'animazione. Hai un solo set di test, ma puoi chiederti: se il set di test fosse venuto un po' diverso, quanto cambierebbe il punteggio? Crea un set di test finto estraendo a caso 100 elementi dai tuoi 100, con reinserimento (alcuni elementi due volte, alcuni per niente), e valutalo. Fallo 2,000 volte. Il 95% centrale di quei punteggi è la tua barra d'errore.
Bootstrap: stimare l'incertezza ricampionando i tuoi dati con reinserimento. Intervallo al 95%: dal 2.5° al 97.5° percentile dei punteggi ricampionati.
Parole e simboli di questa lezione
- bootstrap
- ricampionare il tuo set di test con ripetizioni per vedere quanto oscilla un punteggio
- intervallo al 95%
- il 95% centrale dei punteggi ricampionati
Scrivi bootstrap_ci(correct, n=2000, seed=0): estrai tutti i ricampionamenti in una volta con np.random.default_rng(seed).integers(0, len(correct), (n, len(correct))), valuta ciascuno, e restituisci il 2.5° e il 97.5° percentile.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.