Programma Lezione 33 di 246 · Modulo 2: Matematica e probabilità, solo quanto serve
Modulo 2: Matematica e probabilità, solo quanto serve

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
Tocca a te

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.