conversation_by_55g

[bot_external]

Uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego polega na automatycznym poprawianiu się algorytmu poprzez 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.

W kontekście naszej rozmowy wcześniej, uczenie przez doświadczenie jest podstawową cechą algorytmów uczenia maszynowego, które rozwijają się automatycznie poprzez doświadczenie, czyli ekspozycję na dane.

[student_55g]

Co oznacza w modelu nierówna liczebność klas?

[bot_external]

W modelu nierówna liczebność klas oznacza, że w zbiorze danych występują klasy o różnej liczbie przykładów. Na przykład, w jednej klasie może być 99 przykładów, a w drugiej klasie tylko 1 przykład. Takie sytuacje mogą powodować problemy w uczeniu modelu, np. model może zignorować klasę mniej liczną i automatycznie przypisać wszystkie przykłady do klasy dominującej, co może prowadzić do niewłaściwych wyników.

Przykładem takiej sytuacji jest opisany w treści przypadku, w którym w zbiorze danych występuje choroba rzadka, a w zbiorze testowym tylko jeden przykład tej choroby na 99 zdrowych.

[student_55g]

Co oznaczą w modelu dane spoza klas?

[bot_external]

Nie mogę znaleźć informacji w dostępnym kontekście, która opisuje "dane spoza klas" w modelu.

[student_55g]

Jakim problemem w modelu sa dane spoza klas?

[bot_external]

Nie mogę znaleźć informacji w dostępnym kontekście, która opisuje "dane spoza klas" w modelu.

[student_55g]

Czy w Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy?

[bot_external]

Nie, w Google Teachable Machine nie należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy. Narzędzie automatycznie dokonuje podziału danych za nas, dzieląc cały zbiór danych na zbiór uczący i zbiór testowy w proporcji 85:15.

[student_55g]

Czy w Google Teachable Machine zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów?

[bot_external]

Nie, w Google Teachable Machine zbiór testowy nie będzie zawsze automatycznie składał się z 15% wszystkich przykładów. Jak wspomniano w treści, GTM automatycznie dzieli cały zbiór danych na zbiór uczący i zbiór testowy w proporcji 85:15, ale nie oznacza to, że zbiór testowy zawsze będzie składał się z 15% przykładów. W rzeczywistości, zbiór testowy może mieć różną liczebność w zależności od wielkości całego zbioru danych.

[student_55g]

Czy dokładność (accuracy) dla modelu, który poprawnie klasyfikuje wszystkie przykłady testowe, wynosi 1?

[bot_external]

Tak, dokładność (accuracy) dla modelu, który poprawnie klasyfikuje wszystkie przykłady testowe, wynosi 1.

[student_55g]

Załóżmy, że mamy model, którego celem jest odróżnianie psów od kotów. Dla zbioru testowego, model ocenił 60 psów jako psy, 25 psów jako koty, 40 kotów jako koty i 15 kotów jako psy.

[bot_external]

Nie mogę znaleźć informacji w dostępnym kontekście, która opisuje dokładnie, jak model ocenia dane spoza klas.

[student_55g]

Załóżmy, że mamy model, którego celem jest odróżnianie psów od kotów. Dla zbioru testowego, model ocenił 60 psów jako psy, 25 psów jako koty, 40 kotów jako koty i 15 kotów jako psy. Ile procent wynosi dokładność tego modelu?

[bot_external]

Dokładność (accuracy) modelu, który ocenił 60 psów jako psy, 25 psów jako koty, 40 kotów jako koty i 15 kotów jako psy, wynosi 85%. Wynika to z faktu, że model poprawnie klasyfikował 60 psów jako psy i 40 kotów jako koty, co daje łącznie 100 poprawnych klasyfikacji. Ogólna liczba przykładów w zbiorze testowym wynosi 100 (60 psów + 25 psów + 40 kotów + 15 kotów), a zatem dokładność modelu wynosi 100/100 = 1, ale w tym przypadku, model nie klasyfikował wszystkich przykładów poprawnie, ponieważ 25 psów zostało sklasyfikowanych jako koty, a 15 kotów zostało sklasyfikowanych jako psy. Dlatego dokładność modelu wynosi 85%.

[student_55g]

poprawny wnik to 100/140