Tohumlar ve yayılım
Neden önemli Aynı modeli farklı tohumlarla iki kez eğit, farklı puanlar alırsın. Bu oynamanın ne kadar büyük olduğunu bilene kadar, herhangi bir değişikliğin yardım edip etmediğini söyleyemezsin.
Burada tohum üç şeye karar verir: hangi resimlerin eğitim ve test kümelerine düştüğü, başlangıç ağırlıkları ve verinin sırası. Hiçbiri önemli olmamalı, ama hepsi biraz önemli. Bu yüzden her zaman birkaç tohum eğit, ve asla tek bir çalıştırma değil, ortalamayı ve yayılımı (standart sapmayı) raporla.
Her biri n tohum üzerinden ortalaması alınmış iki ayarı karşılaştırmak için kaba bir kural: iki ortalamanın farkı yaklaşık yayılım çarpı sqrt(2 / n) kadar oynar (her ortalama yayılım / sqrt(n) kadar oynar, ve iki bağımsız oynama kareler halinde toplanır). Bunun yaklaşık iki katından küçük bir farka güvenemezsin. 5 tohum ve 0.02'lik bir yayılımla bu 2 çarpı 0.02 çarpı sqrt(0.4) = 0.025'tir.
0'dan n_seeds - 1'e tohumlar üzerinden train_and_score'un (mean, std) değerini döndüren seed_report(n_seeds) yaz. np.std'yi olduğu gibi kullan (n'ye böler; n - 1'e bölmek, ddof=1, de kabul edilir). Sonra wobble değerini 5 tohum üzerindeki yayılıma ayarla.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.