conversation_by_55g

[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