Seed và độ phân tán
Vì sao điều này quan trọng Huấn luyện cùng một mô hình hai lần với các seed khác nhau và bạn nhận được các điểm số khác nhau. Cho tới khi bạn biết mức dao động đó lớn tới đâu, bạn không thể biết liệu một thay đổi có giúp ích không.
Ở đây seed quyết định ba thứ: ảnh nào rơi vào tập huấn luyện và tập kiểm thử, các trọng số ban đầu và thứ tự của dữ liệu. Không thứ nào trong số đó lẽ ra nên quan trọng, nhưng tất cả đều quan trọng, một chút. Vậy hãy luôn huấn luyện vài seed, và báo cáo trung bình và độ phân tán (độ lệch chuẩn), không bao giờ một lần chạy duy nhất.
Một quy tắc đại khái để so sánh hai thiết lập, mỗi cái lấy trung bình trên n seed: hiệu của hai trung bình dao động khoảng độ phân tán nhân sqrt(2 / n) (mỗi trung bình dao động spread / sqrt(n), và hai dao động độc lập cộng theo bình phương). Một hiệu nhỏ hơn khoảng hai lần mức đó là một hiệu bạn không thể tin. Với 5 seed và độ phân tán 0.02, đó là 2 nhân 0.02 nhân sqrt(0.4) = 0.025.
Viết seed_report(n_seeds) trả về (mean, std) của train_and_score qua các seed 0 tới n_seeds - 1. Dùng np.std như nó là (nó chia cho n; chia cho n - 1, ddof=1, cũng được chấp nhận). Rồi gán wobble là độ phân tán qua 5 seed.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Bài tập này sẽ sớm mở.
Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.
Trình duyệt này đang chặn cookie cho learn.floati.life, nên các bài học bạn đã hoàn thành tại đây không thể mở theo thứ tự. Hãy cho phép cookie cho trang web này và tải lại trang.