Qual palpite explica melhor os dados (verossimilhança)
Por que isso importa Quase toda perda neste curso é secretamente a mesma ideia: escolher o modelo sob o qual os dados que você viu são mais prováveis.
Números pequenos
Você joga uma moeda 10 vezes e vê 7 caras. A moeda é justa? Pergunte: se a chance de caras fosse p, qual a probabilidade de exatamente esta sequência? Para p = 0.5 é 0.5 elevado à décima, cerca de 0.00098. Para p = 0.7 é 0.7 elevado à sétima vezes 0.3 elevado à terceira, cerca de 0.0022, mais de duas vezes mais provável. Varra cada p de 0 a 1 e o melhor é exatamente 0.7: a proporção de caras que você viu.
Likelihood: quão provável os dados observados são sob uma configuração específica do modelo. Maximum likelihood: a configuração que os torna mais prováveis.
Produtos de muitas probabilidades pequenas tornam-se pequenos demais para um computador, então adicionamos logaritmos em vez disso: o log-likelihood. A melhor configuração não muda, porque log só aumenta quando sua entrada aumenta.
Resumo Escolha a configuração que torna o que você viu menos surpreendente.
Palavras e símbolos nesta lição
- likelihood
- quão provável os dados que você viu são sob uma configuração do modelo
Escreva log_likelihood(p, heads, tails) e best_p(heads, tails), que escaneia p sobre np.linspace(0.001, 0.999, 999) e retorna o p com a maior log-likelihood.
Duas regras de log que você precisa aqui: o log de um produto é a soma dos logs, log(a × b) = log a + log b, e assim uma potência sai para a frente, log(p7) = 7 log p.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.