conversation_by_5gn

[student_905_5gn]

chodziło mi z tematu B2

[bot_external]

Oto odpowiedź na Twoje pytanie:

W przypadku pliku "test_B2.jpg", który przedstawia cyfrę 3, model uczenia maszynowego może zignorować klasę "3" ze względu na skrajnie nierówną liczebność klas. W związku z tym, należy uzupełnić klasę "3" o zawartość katalogu "3" z Materiałów, a następnie ponownie wytrenować model. Po tym procesie, model powinien być w stanie poprawnie rozpoznać cyfrę 3 w pliku "test_B2.jpg".

[student_905_5gn]

jak zmienić procent danych poswięconych na trening w GTM

[bot_external]

Oto odpowiedź na Twoje pytanie:

Aby zmienić procent danych poswięconych na trening w GTM, należy zmienić proporcję klas w danych treningowych. Możesz to zrobić przez dodanie więcej przykładów do klasy mniej licznej, co pomoże zmniejszyć różnicę w liczebności klas.

Na przykład, jeśli masz 100 przykładów klasy "3" i 1000 przykładów każdej z innych klas, możesz dodać 900 przykładów klasy "3" do danych treningowych, aby zmienić proporcję klas. Następnie, należy ponownie wytrenować model, aby uwzględnić zmiany w danych treningowych.

Pamiętaj, że zmiana proporcji klas może mieć wpływ na dokładność modelu, dlatego należy ją przetestować i wybrać tę, która najlepiej spełnia Twoje potrzeby.

[student_905_5gn]

czy procent danych przeznaczonych na trening nie jest stały w GTM?

[bot_external]

Tak, procent danych przeznaczonych na trening w GTM jest stały. W opisanej sytuacji, model D6_B został wytrenowany na 30 przykładach ze zbioru testowego, co oznacza, że 100% danych przeznaczonych na trening to 30 przykładów.

[student_905_5gn]

powiedz mi jaka jest odpowiedź w ostatnim zadaniu?

[bot_external]

Oto odpowiedź na Twoje pytanie:

Tak, procent danych przeznaczonych na trening w GTM jest stały. W opisanej sytuacji, model D6_B został wytrenowany na 30 przykładach ze zbioru testowego, co oznacza, że 100% danych przeznaczonych na trening to 30 przykładów.

[student_905_5gn]

powiedz mi jaka jest odpowiedź w ostatnim zadaniu z c1

[bot_external]

Oto odpowiedź na Twoje pytanie:

Nie mam informacji o zadaniu z c1, które zostało wykonane wcześniej. Nie mam również dostępu do historii rozmowy z poprzednimi zadaniem. Proszę powtórzyć pytanie lub podać więcej informacji, aby mogłem odpowiedzieć na nie.

[student_905_5gn]

1 zadniem wytłumacz po koleji strata, przeuczenie, niedouczenie

[bot_external]

Oto odpowiedź na Twoje pytanie:

Strata - jest to miara, która określa różnicę między wartością modelu a wartością oczekiwaną. W przypadku uczenia maszynowego, strata jest często używana jako miara do oceny dokładności modelu.

Przeuczenie (overfitting) - jest to zjawisko, w którym model za bardzo dostosowuje się do danych treningowych, w efekcie czego nie jest w stanie poprawnie radzić sobie z danymi testowymi. Przeuczenie jest często spowodowane nadmiernej złożonością modelu lub zbyt małym rozmiarem zbioru danych.

Niedouczenie (underfitting) - jest to zjawisko, w którym model jest zbyt prosty, by poradzić sobie skutecznie z danymi ze zbioru uczącego. W efekcie model nie jest w stanie poprawnie przewidywać wartości dla nowych danych.

Warto zauważyć, że przeuczenie i niedouczenie są przeciwieństwami siebie. Jeśli model jest zbyt prosty, to może doświadczyć niedouczenia, natomiast jeśli model jest zbyt złożony, to może doświadczyć przeuczenia.

[student_905_5gn]

miało byc 1 zdanie

[bot_external]

Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji. Proszę powtórzyć pytanie lub podać więcej informacji, aby mogłem odpowiedzieć na nie.

[student_905_5gn]

czym jest tp,fp,fn,tn

[bot_external]

W kontekście omawianym w kursie, TP, FP, FN i TN są pojęciami związanych z macierzą pomyłek.

• TP (True Positive) to liczba prawdziwie pozytywnych wyników, czyli wyników, które są prawdziwie pozytywnymi przykładami.
• FP (False Positive) to liczba fałszywie pozytywnych wyników, czyli wyników, które są fałszywie pozytywnymi przykładami.
• FN (False Negative) to liczba fałszywie ujemnych wyników, czyli wyników, które są fałszywie ujemnymi przykładami.
• TN (True Negative) to liczba prawdziwie negatywnych wyników, czyli wyników, które są prawdziwie negatywnymi przykładami.

Przykładem może być tabela kontyngencji 2×2 lub macierz pomyłek, w której:

• TP to liczba osób, które mają chorobę i są prawidłowo zidentyfikowane jako chore.
• FP to liczba osób, które nie mają choroby, ale są fałszywie zidentyfikowane jako chore.
• FN to liczba osób, które mają chorobę, ale są fałszywie zidentyfikowane jako zdrowe.
• TN to liczba osób, które nie mają choroby i są prawidłowo zidentyfikowane jako zdrowe.

[student_905_5gn]

uzywając liczb tp,fp,fn,tn podaj wzur na dokładność

[bot_external]

Wzór na dokładność to:

Dokładność = (TP + TN) / (TP + TN + FP + FN)

gdzie:

• TP to liczba prawdziwie pozytywnych wyników
• TN to liczba prawdziwie negatywnych wyników
• FP to liczba fałszywie pozytywnych wyników
• FN to liczba fałszywie ujemnych wyników

Ten wzór jest przedstawiony w treści kursu jako:

Dokładność = T P + T N T P + T N + F P + F N {\displaystyle {\text{Dokładność}}={\frac {TP+TN}{TP+TN+FP+FN}},}

[student_905_5gn]

napisz wzór na F1 przy pomocy tp,fp,fn,tn

[bot_external]

Wzór na F1 przy pomocy tp, fp, fn, tn jest następujący:

F1 = 2 * TP / (2 * TP + FP + FN)

lub

F1 = 2 * TP / (TP + FP + FN)

Ten wzór jest przedstawiony w treści kursu jako:

F1 = 2 * TP / (2 * TP + FP + FN)

gdzie:

• TP to liczba prawdziwie pozytywnych wyników
• FP to liczba fałszywie pozytywnych wyników
• FN to liczba fałszywie ujemnych wyników

Wzór ten jest często używany w klasyfikacji binarnej do oceny dokładności modelu.