Conteúdo do curso Lição 33 de 246 · Módulo 2: Matemática e probabilidade, apenas conforme necessário
Módulo 2: Matemática e probabilidade, apenas conforme necessário

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
Sua vez

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.