conversation_by_yg8

[eduexe.admin]

Topic created

[student_905_yg8]

Do jakich problemów może zostać wykorzystany Google Teachable Machine?

[bot_external]

Według dostępnych informacji, Google Teachable Machine może zostać wykorzystany do rozwiązywania problemów klasyfikacji, czyli do odróżniania obiektów należących do różnych klas lub kategorii. Przykładem takiego problemu jest odróżnianie obrazków należących do dwóch różnych klas, jak np. psów i kotów.

[student_905_yg8]

Czy GTM ma pewność co do swoich wyników?

[bot_external]

Według dostępnych informacji, GTM może obliczać dokładność swoich wyników, ale nie ma pewności co do swoich wyników w 100%. Dokładność GTM jest obliczana przez podzielenie liczby poprawnie zaklasyfikowanych przypadków przez liczbę wszystkich przykładów ze zbioru testowego. W przykładach z ilustracji, dokładność GTM wynosiła około 96,67% i 50%. Jednak, jak wskazano w treści, otrzymane przez Ciebie w kolejnych krokach wartości liczbowe mogą się nieco różnić od tych na ilustracji, ponieważ przy każdym trenowaniu modelu następuje nowy, losowy podział na zbiór uczący i zbiór testowy.

[student_905_yg8]

Czy utworzenie klasy pośredniej to zawsze dobre rozwiązanie?

[bot_external]

Nie, utworzenie klasy pośredniej nie jest zawsze dobre rozwiązanie. Przykładem tego jest opisany w treści model, który diagnozować ma jakąś bardziej popularną chorobę. Kiepsko wytrenowany model zawsze wskazuje, że osoba jest chora, co oznacza, że utworzenie klasy pośredniej (np. "zdrowy" lub "chory") nie rozwiązałoby problemu niedouczenia modelu.

[student_905_yg8]

Czy zawsze trzeba eliminować przypadki graniczne?

[bot_external]

Nie, nie zawsze trzeba eliminować przypadki graniczne. Przypadek graniczny to problem lub sytuacja, która występuje tylko przy ekstremalnym (maksymalnym lub minimalnym) parametrze operacyjnym. W niektórych przypadkach, takich jak opisany w treści model, który diagnozować ma jakąś bardziej popularną chorobę, utworzenie klasy pośredniej (np. "Nieokreślone") może być dobrym rozwiązaniem, jeśli nie dysponujemy prawidłową odpowiedzią w przypadkach granicznych.

[student_905_yg8]

Po co ustawia się batch size?

[bot_external]

Batch size (rozmiar partii) to parametr, który określa liczbę przykładów, które model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania. Ustawia się go w celu regulacji obciążenia pod kątem zasobów, zwłaszcza pamięci, oraz w celu osiągnięcia zadowalających efektów uczenia się.

Im większa wielkość batch size, tym więcej zasobów obliczeniowych jest potrzebnych, by ukończyć pojedynczą epokę. Jednocześnie jednak, potrzeba mniej epok, by osiągnąć zadowalające efekty uczenia się. Analogicznie, mniejsza wielkość batch size oznacza mniejsze obciążenie pod kątem zasobów, ale potrzebne jest więcej epok, by osiągnąć oczekiwane rezultaty.

[student_905_yg8]

Czy to oznacza optymalny stosunek batch size do ilości epok?

[bot_external]

Nie, optymalny stosunek batch size do ilości epok nie jest ustalony. Jak wskazano w treści, im większa wielkość batch size, tym więcej zasobów obliczeniowych jest potrzebnych, by ukończyć pojedynczą epokę, ale potrzeba mniej epok, by osiągnąć zadowalające efekty uczenia się. Analogicznie, mniejsza wielkość batch size oznacza mniejsze obciążenie pod kątem zasobów, ale potrzebne jest więcej epok, by osiągnąć oczekiwane rezultaty.

Oznacza to, że optymalny stosunek batch size do ilości epok zależy od konkretnego problemu i modelu, a nie jest ustalony na poziomie ogólnym. W zależności od potrzeb i ograniczeń systemu, można dobrać odpowiednią wielkość batch size i liczbę epok, aby osiągnąć najlepsze wyniki.

[student_905_yg8]

Czy lepiej mieć FP czy FN

[bot_external]

Odpowiedź na to pytanie zależy od kontekstu, w którym jest ono zadawane. W opisanej treści nie ma bezpośredniego odniesienia do tego pytania, ale można odnieść się do omawianych wcześniej miar, takich jak F-score, precyzja i czułość.

W ogólnym sensie, w przypadku modelu, który ma tendencję do błędnych pozytywnych wyników (FP), lepiej jest mieć więcej błędnych negatywnych wyników (FN), ponieważ w ten sposób model będzie miał wyższą precyzję, ale niższą czułość. W przeciwnym razie, jeśli model ma tendencję do błędnych negatywnych wyników (FN), lepiej jest mieć więcej błędnych pozytywnych wyników (FP), ponieważ w ten sposób model będzie miał wyższą czułość, ale niższą precyzję.

Jednak, jak wskazano w treści, F-score jest miarą, która łączy w sobie precyzję i czułość, i jest ona bardziej obiektywną miarą niż każda z nich osobno. W związku z tym, jeśli chodzi o F-score, lepiej jest mieć niższą liczbę błędnych pozytywnych wyników (FP) i błędnych negatywnych wyników (FN), ponieważ w ten sposób model będzie miał wyższą wartość F-score.

Warto zauważyć, że w opisanej treści nie ma bezpośredniego odniesienia do tego pytania, ale można odnieść się do omawianych wcześniej miar, takich jak F-score, precyzja i czułość.

[student_905_yg8]

Jak określić kiedy użyć prezycji a czułości

[bot_external]

Odpowiedź na to pytanie zależy od kontekstu, w którym jest ono zadawane. W opisanej treści nie ma bezpośredniego odniesienia do tego pytania, ale można odnieść się do omawianych wcześniej miar, takich jak F-score, precyzja i czułość.

W ogólnym sensie, precyzja jest najważniejszą miarą, jeśli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych. W takim przypadku, precyzja powinna być jak najwyższa.

Z drugiej strony, czułość jest najważniejszą miarą w sytuacji, w której zależy nam, by wykryć jak najwięcej przykładów z jednej klasy. W takim przypadku, czułość powinna być jak najwyższa.

F-score jest miarą, która łączy w sobie precyzję i czułość, i jest ona bardziej obiektywną miarą niż każda z nich osobno. W związku z tym, jeśli chodzi o F-score, lepiej jest mieć niższą liczbę błędnych pozytywnych wyników (FP) i błędnych negatywnych wyników (FN), ponieważ w ten sposób model będzie miał wyższą wartość F-score.

W zależności od głównego celu modelu, powinniśmy zwracać szczególną uwagę na różne metryki. Jeśli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych, powinniśmy zwracać szczególną uwagę na precyzję. Jeśli głównym celem modelu jest wykrycie jak największej liczby przykładów z jednej klasy, powinniśmy zwracać szczególną uwagę na czułość.