Quale ipotesi spiega meglio i dati (verosimiglianza)
Perché è importante Quasi ogni loss in questo corso è in segreto la stessa idea: scegliere il modello sotto cui i dati che hai visto sono più probabili.
Numeri piccolissimi
Lanci una moneta 10 volte e vedi 7 teste. La moneta è equa? Chiediti: se la probabilità di testa fosse p, quanto sarebbe probabile esattamente questa sequenza? Per p = 0.5 è 0.5 alla decima, circa 0.00098. Per p = 0.7 è 0.7 alla settima per 0.3 alla terza, circa 0.0022, più del doppio. Scorri ogni p da 0 a 1 e il migliore è esattamente 0.7: la quota di teste che hai visto.
Verosimiglianza: quanto sono probabili i dati osservati sotto una certa impostazione del modello. Massima verosimiglianza: l'impostazione che li rende più probabili.
I prodotti di molte piccole probabilità diventano troppo piccoli per un computer, quindi sommiamo invece i logaritmi: la log-verosimiglianza. L'impostazione migliore non cambia, perché il log sale sempre quando il suo input sale.
Riepilogo Scegli l'impostazione che rende meno sorprendente ciò che hai visto.
Parole e simboli di questa lezione
- verosimiglianza
- quanto sono probabili i dati che hai visto sotto un'impostazione del modello
Scrivi log_likelihood(p, heads, tails) e best_p(heads, tails), che scorre p su np.linspace(0.001, 0.999, 999) e restituisce il p con la log-verosimiglianza più alta.
Due regole dei logaritmi che ti servono qui: il log di un prodotto è la somma dei log, log(a × b) = log a + log b, e quindi una potenza esce davanti, log(p7) = 7 log p.
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.