Portuguese, Brazilian subtitles

← Problem with SSE - Intro to Machine Learning

Get Embed Code
4 Languages

Showing Revision 9 created 06/20/2016 by Udacity Robot.

  1. Neste caso, a distribuição à direita terá a soma maior dos
  2. erros ao quadrado, e vai ser bastante óbvio ver porque.
  3. Você pode comparar ponto por ponto. Estes serão todos os erros à esquerda.
  4. Há uma soma muito semelhante de erros ao quadrado à direita para estes pontos de dados.
  5. Mas, à direita, você tem todos estes pontos de dados adicionais.
  6. E cada um deles vai contribuir com um pouco de erros
  7. que adicionaremos à soma total dos erros ao quadrado do ajuste aqui.
  8. Portanto, isso significa que a distribuição à direita tem uma soma maior de
  9. erros ao quadrado, embora tenhamos concordado que isso provavelmente não está
  10. fazendo um trabalho muito pior de ajuste dos dados que a distribuição à esquerda,
  11. E essa é uma das desvantagens da soma de erros ao quadrado em
  12. geral como uma métrica de avaliação.
  13. É que ao adicionar mais dados, a soma dos erros ao quadrado irá quase que com certeza
  14. aumentar, mas isso não significa necessariamente que seu ajuste está fazendo um trabalho pior.
  15. No entanto, se você estiver comparando dois conjuntos de dados que têm um número diferente de
  16. pontos, isso poderá ser um grande problema porque se você estiver usando a soma dos
  17. erros ao quadrado para descobrir qual se ajusta melhor,
  18. a soma dos erros ao quadrado poderá ser manipulada pelo número de pontos
  19. de dados que você está usando, embora o ajuste possa estar perfeitamente correto.
  20. Portanto, isso me motiva a falar sobre uma outra métrica de avaliação que é muito
  21. popular ao avaliar regressões.