哪一个猜测最能解释数据(似然)
为什么重要 这门课里几乎每一个损失,暗地里都是同一个想法:选出那个让你看到的数据最有可能出现的模型。
很小的数字
你把一枚硬币抛 10 次,看到 7 次正面。这枚硬币公平吗?问一问:如果正面的概率是 p,恰好出现这个序列的可能性有多大?当 p = 0.5 时,是 0.5 的 10 次方,大约 0.00098。当 p = 0.7 时,是 0.7 的 7 次方乘以 0.3 的 3 次方,大约 0.0022,可能性是前者的两倍多。把 p 从 0 到 1 全部扫一遍,最好的恰好是 0.7:你看到的正面所占的比例。
似然:在模型的某个特定设置下,观察到的数据有多大的概率。最大似然:让它的概率最大的那个设置。
许多小概率的乘积会变得太小,计算机装不下,所以我们改为把对数加起来:对数似然。最好的设置不会改变,因为输入变大时 log 永远只会变大。
回顾 选出那个让你看到的东西最不令人意外的设置。
本课中的词语和符号
- 似然
- 在模型的一个设置下,你看到的数据有多大的概率
编写 log_likelihood(p, heads, tails) 和 best_p(heads, tails),后者在 np.linspace(0.001, 0.999, 999) 上扫描 p,并返回对数似然最高的那个 p。
这里你需要两条对数规则:乘积的对数等于对数的和,log(a × b) = log a + log b,因此幂可以提到前面来,log(p7) = 7 log p。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。