Semi e dispersione
Perché è importante Addestra lo stesso modello due volte con semi diversi e ottieni punteggi diversi. Finché non sai quanto è grande quell'oscillazione, non puoi dire se un cambiamento ha aiutato.
Qui il seme decide tre cose: quali immagini finiscono nel set di addestramento e in quello di test, i pesi iniziali e l'ordine dei dati. Nessuna dovrebbe contare, ma tutte contano, un po'. Quindi addestra sempre diversi semi, e riporta la media e la dispersione (deviazione standard), mai un'esecuzione sola.
Una regola approssimativa per confrontare due impostazioni, ognuna mediata su n semi: la differenza delle due medie oscilla di circa la dispersione per sqrt(2 / n) (ogni media oscilla di dispersione / sqrt(n), e due oscillazioni indipendenti si sommano in quadratura). Una differenza più piccola di circa il doppio non è affidabile. Con 5 semi e una dispersione di 0.02, fa 2 per 0.02 per sqrt(0.4) = 0.025.
Scrivi seed_report(n_seeds) che restituisce (mean, std) di train_and_score sui semi da 0 a n_seeds - 1. Usa np.std così com'è (divide per n; dividere per n - 1, ddof=1, è accettato anche). Poi imposta wobble sulla dispersione su 5 semi.
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.