HƯỚNG DẪN KỸ THUẬT

Lấy mẫu lại Bootstrap

Việc lấy mẫu lại Bootstrap ước tính độ không đảm bảo bằng cách liên tục lấy các mẫu mới, có thay thế, từ dữ liệu bạn đã quan sát và tính toán lại một thống kê.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của việc lấy mẫu lại Bootstrap
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Nó có thể giúp mô tả mức độ thay đổi của số liệu trung bình hoặc đánh giá mô hình, miễn là thiết kế lấy mẫu lại phù hợp với mức độ liên quan của các quan sát.

Lặn sâu

Thống kê được tính toán từ một tập dữ liệu chỉ là ước tính. Một mẫu khác từ cùng một quần thể có thể tạo ra điểm trung bình, mối tương quan hoặc điểm đánh giá khác. Bootstrap gần đúng các khía cạnh của biến thể lấy mẫu đó bằng cách sử dụng các quan sát đã có sẵn. Trong bootstrap không tham số thông thường để quan sát độc lập, hãy vẽ một mẫu có kích thước ban đầu bằng sự thay thế. Mỗi lần rút thăm có thể chọn lại bất kỳ quan sát ban đầu nào, do đó một số quan sát xuất hiện nhiều lần và những quan sát khác bị bỏ qua. Tính số liệu thống kê trên mẫu đó. Lặp lại quá trình này nhiều lần để tạo ra sự phân bổ số liệu thống kê bootstrap. Để minh họa số học, các giá trị 2, 4 và 9 có giá trị trung bình là 5. Mẫu có thể lấy lại là 2, 2 và 9, có giá trị trung bình là khoảng 4,33. Một mẫu lại không thiết lập khoảng không chắc chắn. Sự khác biệt giữa nhiều mẫu lại được xây dựng phù hợp là điều làm cho quy trình này trở nên hữu ích. Khoảng phần trăm lấy điểm cuối từ phần trăm của phân phối bootstrap. Các phương pháp khác, bao gồm phương pháp tăng tốc và hiệu chỉnh sai lệch được SciPy hỗ trợ, điều chỉnh cấu trúc theo cách khác. Phương pháp được chọn và các giả định của nó rất quan trọng, đặc biệt đối với các mẫu nhỏ hoặc số liệu thống kê khó. Đối với dữ liệu được ghép nối, hãy giữ nguyên việc ghép nối. Khi so sánh các dự đoán của mô hình trong cùng một trường hợp, hãy lấy mẫu lại từng trường hợp với kết quả của nó và cả hai dự đoán. Việc phá vỡ những mối quan hệ đó sẽ làm thay đổi câu hỏi đang được đánh giá. Bootstrap không thể tạo ra bằng chứng về con người hoặc điều kiện bị thiếu trong mẫu ban đầu. Nó cũng không tự động điều chỉnh sai lệch lựa chọn hoặc sự phụ thuộc giữa các quan sát. Các phép đo lặp lại có thể yêu cầu các nhóm lấy mẫu lại; chuỗi thời gian có thể yêu cầu một phương pháp khối phù hợp. Chọn đơn vị lấy mẫu lại để phản ánh quá trình tạo dữ liệu trước khi diễn giải độ chính xác rõ ràng.

Triển khai trong thế giới thực

Bắt đầu từ các giá trị minh họa 2, 4 và 9, một mẫu bootstrap có thể là 2, 2 và 9. Nó có cùng kích thước với mẫu ban đầu, bao gồm một quan sát lặp lại và có giá trị trung bình là 13 chia cho ba.

Để so sánh hai mô hình trên cùng một trường hợp thử nghiệm, nhà phân tích lấy mẫu lại các mã định danh trường hợp và kết hợp các dự đoán của cả hai mô hình và kết quả thực sự với nhau. Mỗi mẫu lại mang lại sự khác biệt về điểm số của chúng.

Một nghiên cứu có nhiều hồ sơ cho mỗi người tham gia. Nhà phân tích xem xét việc lấy mẫu lại toàn bộ người tham gia thay vì coi mọi bản ghi là độc lập.

Một nhóm sử dụng scipy.stats.bootstrap để ước tính độ không chắc chắn trong một thống kê. Nó ghi lại phương pháp khoảng thời gian và hạt giống ngẫu nhiên và kiểm tra xem khoảng thời gian kết quả có đủ ổn định cho mục đích sử dụng của nó hay không.

Tương lai của việc lấy mẫu lại Bootstrap

Báo cáo đánh giá có thể trở nên hữu ích hơn bằng cách ghi lại đơn vị lấy mẫu lại, phương pháp khoảng thời gian và phạm vi độ không đảm bảo cùng với giới hạn kết quả. Người đọc sẽ có thể biết liệu một khoảng thời gian mô tả một mô hình cố định cho các trường hợp mới hay một quy trình bao gồm việc trang bị lại. Các nhóm cũng có thể lưu giữ các chỉ mục và phiên bản phần mềm được lấy mẫu lại khi khả năng tái tạo có vấn đề. Cải tiến tiếp theo thường là một mẫu đánh giá tốt hơn thay vì lặp lại nhiều lần khởi động hơn. Việc hiểu được những nguồn không chắc chắn nào được đưa vào sẽ làm cho khoảng thời gian trở nên khả thi hơn so với việc đưa ra các giới hạn hẹp mà không có giả định của chúng.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the Bootstrap Resampling quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Lấy mẫu lại Bootstrap là gì?

Việc lấy mẫu lại Bootstrap ước tính độ không đảm bảo bằng cách liên tục lấy các mẫu mới, có thay thế, từ dữ liệu bạn đã quan sát và tính toán lại một thống kê. Nó có thể giúp mô tả mức độ thay đổi của số liệu trung bình hoặc đánh giá mô hình, miễn là thiết kế lấy mẫu lại phù hợp với mức độ liên quan của các quan sát.

Quy trình lấy mẫu nào tuân theo quy tắc khởi động thông thường cho các quan sát ban đầu 2, 4 và 9?

Một mẫu bootstrap có kích thước ban đầu và được rút ra với sự thay thế, cho phép quan sát lặp lại.

Ý nghĩa nào thuộc về mẫu bootstrap minh họa 2, 2 và 9?

Ba giá trị được lấy mẫu lại có tổng bằng 13, do đó giá trị trung bình của chúng là 13 chia cho ba, xấp xỉ 4,33.

Khi so sánh hai mô hình trên các trường hợp thử nghiệm giống hệt nhau, điều gì phải tồn tại cùng nhau trong mỗi đơn vị được lấy mẫu lại?

Việc duy trì ghép nối ở cấp độ trường hợp cho phép chênh lệch điểm được lấy mẫu lại để so sánh các dự đoán cho cùng một quan sát.

Điểm cuối nào xác định khoảng thời gian khởi động phần trăm 95% hai mặt đơn giản được mô tả?

Phương pháp phân vị sử dụng lượng tử của số liệu thống kê được lấy mẫu lại, với 2,5% còn lại ở mỗi đuôi cho khoảng này.

Việc tăng số lượng mẫu thử lại bootstrap chủ yếu làm giảm điều gì?

Nhiều lần lặp lại hơn làm cho mô phỏng ổn định hơn nhưng không cung cấp những quan sát độc lập mới hoặc sửa chữa các vấn đề lấy mẫu.