Eduexe Forum

Aby poprawić klasyfikowanie przez model niewyraźnie narysowanej cyfry, która trochę przypomina 6, a trochę 8, należy dostarczyć modelowi dodatkowych danych, które mogą pomóc mu w rozróżnieniu tych dwóch cyfr. W naszym przypadku, model został wytrenowany na danych, które zawierają wyraźnie narysowane cyfry 6 i 8. Jednak w przypadku niewyraźnie narysowanej cyfry, model może mieć trudności z rozróżnieniem jej od innych cyfr. Aby poprawić klasyfikowanie przez model, można: Dodawać więcej danych do modelu, które zawierają niewyraźnie narysowane cyfry 6 i 8. To pozwoli modelowi nauczyć się rozróżniać te cyfry w różnych kontekstach. Ulepszyć model, aby był bardziej elastyczny i mógł radzić sobie z niewyraźnie narysowanymi cyframi. Zastosować techniki post-processing, które mogą pomóc modelowi poprawić swoje klasyfikowanie w przypadku niewyraźnie narysowanych cyfr. Warto zauważyć, że poprawienie klasyfikowania przez model niewyraźnie narysowanej cyfry wymaga dodatkowych danych i ulepszeń modelu.

Strata (loss) w modelach nie zmienia się liniowo z każdą kolejną epoką, ponieważ jest to wynik interakcji między modelami a danymi. W każdej kolejnej epoce model koryguje swoje wyniki w oparciu o dane, ale zmiana straty nie jest liniowa ze względu na fakt, że model może się nadmiernie dostosowywać do danych szkoleniowych. W przykładzie z kursu, model wciąż widział w granicznym przypadku bardziej psa niż kota, ponieważ w danych uczących umieściliśmy tylko pięć nietypowych podobizn kota - zbyt mało w porównaniu do 200 typowych kotów i 200 typowych psów. W takim przypadku, model może się nadmiernie dostosowywać do danych szkoleniowych, co prowadzi do zmiany straty w sposób nieliniowy. Dodatkowo, zmiana straty może być również wpływana przez różne czynniki, takie jak współczynnik uczenia (learning rate), liczba epok, a także sama struktura modelu. Wszystkie te czynniki mogą wpływać na sposób, w jaki model koryguje swoje wyniki w czasie treningu, co prowadzi do zmiany straty w sposób nieliniowy. Warto zauważyć, że zmiana straty w modelach jest zależna od wielu czynników, a nie tylko od liczby epok. W związku z tym, nie można przewidzieć, jak zmieni się strata w każdej kolejnej epoce, a jedynie można obserwować, jak zmienia się strata w czasie treningu.

[eduexe-intent]student_progress[/eduexe-intent] Spędziłeś/aś w kursie łącznie 954 sekundy. Ukończyłeś/aś "Kwestionariusz początkowy" [eduexe-source]4:1[/eduexe-source] oraz odwiedziłeś/aś "Start" [eduexe-source]1:1[/eduexe-source] i "Spis treści" [eduexe-source]3:1[/eduexe-source]. W "AT - Wprowadzenie do UM - Test" [eduexe-source]9:1[/eduexe-source] masz 3 z 5 poprawnych odpowiedzi. Twój obecny wynik to 3 punkty, status "INCOMPLETE". Wymaga pracy: "Test początkowy" [eduexe-source]5:1[/eduexe-source] (wszystkie błędne) oraz quizy w modułach "A1 - Wprowadzenie do uczenia maszynowego" [eduexe-source]7:1[/eduexe-source], "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]8:1[/eduexe-source] i "B1 - Dane w procesie uczenia" [eduexe-source]11:1[/eduexe-source] (wymagają ukończenia/poprawy). Cały dalszy kurs czeka na Ciebie.

[eduexe-intent]course_content[/eduexe-intent] Podstawą do obliczania metryk w uczeniu maszynowym jest macierz pomyłek. Pokazuje ona, ile przykładów testowych zostało sklasyfikowanych przez model poprawnie, a ile błędnie, dzieląc je na cztery kategorie: prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Twoje postępy w kursie: Spędziłeś w kursie około 112.05 minut. Osiągnąłeś wynik 41 punktów i, mimo że kurs nie jest jeszcze ukończony, już go zaliczyłeś! Aktualnie znajdujesz się w komponencie "B2 - Istotność danych w UM - naprawa modelu" [eduexe-source]12:1[/eduexe-source]. Co zostało wykonane: Odwiedziłeś wszystkie główne moduły kursu, w tym: Wprowadzenie do Uczenia Maszynowego, Wprowadzenie do Google Teachable Machine, Dane w procesie Uczenia Maszynowego, Podstawowe pojęcia Uczenia Maszynowego, Metryki, Podsumowanie, Zadanie Końcowe oraz Kwestionariusz początkowy i końcowy. Co jeszcze wymaga pracy: Testy z błędnymi odpowiedziami: "Test początkowy" (Komponent 6) "AT - Wprowadzenie do UM - Test" (Komponent 9) "BT - Dane w procesie uczenia - Test" (Komponent 13) "CT - Podstawowe pojęcia UM - Test" (Komponent 19) "Zadanie końcowe" (Komponent 36) Niewykonane interakcje: W module "A3 - Wprowadzenie do UM - dodatkowy przykład" (Komponent 10) znajdują się 2 interakcje, których nie podjąłeś. Aby w pełni ukończyć kurs i ewentualnie poprawić swój wynik, możesz ponownie przejrzeć materiały dotyczące testów, w których popełniłeś błędy, oraz przejść przez pozostałe interakcje.

[eduexe-intent]course_content[/eduexe-intent] W modelu z wieloma klasami, takimi jak "koty" i "psy", precyzję oblicza się zazwyczaj dla każdej klasy osobno. Dla danej klasy (np. "koty") precyzja to stosunek poprawnie sklasyfikowanych kotów (prawdziwie pozytywnych) do wszystkich przypadków, które model oznaczył jako koty (czyli poprawnie sklasyfikowanych kotów plus psów błędnie zaklasyfikowanych jako koty). Analogicznie postępuje się dla klasy "psy". [eduexe-source]23:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]

dlaczego nie odpowiadasz na moje wiadomości?

Tak, to prawidłowa definicja F-score. F-score to średnia harmoniczna precyzji i czułości, która jest obliczana według następującego wzoru: F-score = 2precyzjarecall/(precyzja + recall) To samo zostało opisane w tekście jako: F1 = 2precisionrecall/(precision + recall) lub F1 = 2TP/(2TP + FP + FN) gdzie TP to liczba prawdziwych pozytywnych, FP to liczba fałszywych pozytywnych, a FN to liczba fałszywych negatywnych.

Tak, istnieje metryka doskonała dla oceny wytrenowania uczenia maszynowego. Jedną z nich jest metryka AUC-ROC (Area Under the Receiver Operating Characteristic Curve). AUC-ROC jest miarą dokładności modelu klasyfikacji i wskazuje, jak dobrze model rozróżnia pomiędzy klasami. AUC-ROC jest wyrażany jako wartość między 0 a 1, gdzie: 0 oznacza, że model nie jest w stanie rozróżnić pomiędzy klasami, 1 oznacza, że model jest idealnie w stanie rozróżnić pomiędzy klasami. Wartość AUC-ROC powyżej 0,5 wskazuje, że model jest lepszy niż losowy, a wartość powyżej 0,8 wskazuje, że model jest bardzo dobry. Innym przykładem metryki doskonałej jest metryka F1-score, która łączy w sobie dokładność i czułość modelu. F1-score jest wyrażany jako wartość między 0 a 1, gdzie: 0 oznacza, że model nie jest w stanie rozróżnić pomiędzy klasami, 1 oznacza, że model jest idealnie w stanie rozróżnić pomiędzy klasami. Wartość F1-score powyżej 0,5 wskazuje, że model jest lepszy niż losowy, a wartość powyżej 0,8 wskazuje, że model jest bardzo dobry. Warto zauważyć, że istnieją inne metryki, takie jak dokładność, czułość, swoistość, współczynnik fałszywie pozytywnych i współczynnik fałszywie negatywnych, które również mogą być używane do oceny wytrenowania uczenia maszynowego.

[eduexe-intent]other[/eduexe-intent] Bardzo się cieszę, że udało mi się to wyjaśnić. Zrozumienie tej podstawowej różnicy jest kluczowe. Kiedy opanujesz fundamenty, reszta materiału stanie się znacznie prostsza. Gdyby pojawiły się kolejne pytania, jestem do dyspozycji. [eduexe-source]7:8[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Fałsz [eduexe-source]15:6[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Tak, dokładność (accuracy) wciąż może być potrzebna, nawet jeśli już policzyłeś precyzję i czułość. Choć precyzja i czułość są bardziej szczegółowe i mogą być kluczowe w zależności od celu modelu (np. minimalizacja fałszywie pozytywnych lub fałszywie negatywnych), dokładność jest metryką uniwersalną. Może służyć jako ogólna miara skuteczności modelu i, co ważne, jej porównanie z wartościami precyzji i czułości może wskazać na problemy z danymi lub modelem, zwłaszcza gdy występują duże różnice w liczebności klas. [eduexe-source]26:4[/eduexe-source][eduexe-source]22:6[/eduexe-source]

[eduexe-intent]other[/eduexe-intent] Rozumiem, że pytasz, czy ukończyłeś/ukończyłaś kurs. Z moich danych wynika, że nie odwiedziłeś/odwiedziłaś jeszcze komponentu "Podsumowanie aktywności w kursie" (komponent 38), który jest niezbędny do sfinalizowania statusu kursu. Proszę, przejdź do niego, aby zakończyć kurs.

[eduexe-intent]course_content[/eduexe-intent] F-score nie opiera się na dokładności (accuracy), ponieważ dokładność może być myląca, zwłaszcza gdy klasy w danych są znacząco niezbalansowane. W takich przypadkach model może uzyskać wysoką dokładność, błędnie klasyfikując rzadką klasę, jeśli poprawnie przewiduje większość przypadków klasy dominującej. F-score, będąc średnią harmoniczną precyzji i czułości, stanowi próbę stworzenia bardziej uniwersalnej metryki, która ocenia model bardziej obiektywnie, będąc kompromisem między tymi dwoma metrykami. [eduexe-source]22:6[/eduexe-source][eduexe-source]25:3[/eduexe-source]

Definicja uczenia maszynowego to: "Uczenie Maszynowe (UM, ang. Machine Learning - ML) - obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka."

jaki jest wzor na fscorer

poprawny wnik to 100/140

Uczenie poprzez wzmacnianie (reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się wchodząc w interakcje ze środowiskiem, poprzez system kar i nagród. Przykłady zastosowania uczenia poprzez wzmacnianie to: Uczenie gier komputerowych, takich jak gry wideo lub gry planszowe. Uczenie robotów, aby wykonywały zadania w środowisku fizycznym. Uczenie systemów, aby podejmowały decyzje w sytuacjach niepewnych. Przykładem zastosowania uczenia poprzez wzmacnianie może być uczenie gry wideo, takiej jak gry w Atari. Model uczy się poprzez interakcje z grą, otrzymując nagrody za osiągnięcia i kary za porażki. W ten sposób model uczy się strategii gry i może je wykorzystać do podejmowania decyzji w przyszłości. Wszystkie te przykłady są zgodne z opisem uczenia poprzez wzmacnianie w dostępnym kontekście.

Nie, w tablicy pomyłek nie zawsze będzie skonstruowana tak, że liczba wierszy i kolumn będzie odpowiadała liczbie klas, bez względu na jej wielkość. Jak wspomniano w kontekście, tablica pomyłek to tabela z dwoma wierszami i dwiema kolumnami, która przedstawia liczbę wyników prawdziwie pozytywnych, fałszywie negatywnych, fałszywie pozytywnych i prawdziwie negatywnych. Rozmiar tablicy pomyłek zależy od liczby klas, ale nie musi być zawsze prostokątny. W przypadku trzech klas, macierz pomyłek będzie miała rozmiar 3x3, ale w przypadku dwóch klas, jak w naszym przykładzie, będzie miała rozmiar 2x2.

Precyzja i czułość są dwiema ważnymi metrykami, które są używane do oceny jakości modelu Uczenia Maszynowego. Precyzja (ang. precision) to liczba wyników prawdziwie pozytywnych podzielona przez liczbę wszystkich próbek przewidzianych jako pozytywne, w tym tych nieprawidłowo zidentyfikowanych. Inaczej mówiąc, precyzja to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych jako pozytywne. Czułość (ang. recall) to liczba wyników prawdziwie pozytywnych podzielona przez liczbę wszystkich próbek, które powinny były zostać zidentyfikowane jako pozytne. Inaczej mówiąc, czułość to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków, które powinny były zostać zidentyfikowane jako pozytne. Oznacza to, że precyzja mierzy, jak dobrze model jest w stanie uniknąć fałszywych alarmów, podczas gdy czułość mierzy, jak dobrze model jest w stanie wykryć wszystkie przypadki pozytywne. Przykładem może być sytuacja, w której model jest używany do diagnozowania choroby. Precyzja w tym przypadku mierzy, jak dobrze model jest w stanie uniknąć diagnozowania zdrowych osób jako chorych, podczas gdy czułość mierzy, jak dobrze model jest w stanie wykryć wszystkie przypadki choroby. W związku z tym, precyzja i czułość są dwiema różnymi metrykami, które mają różne cele. Precyzja jest ważniejsza, gdy klasa pozytywna jest rzadka, a czułość jest ważniejsza, gdy klasa pozytywna jest częsta.