conversation_by_9dn

[student_905_9dn]

Która metryka jest najlepsza i dlaczego?

[bot_external]

Odpowiedź na to pytanie jest zależna od celu, jaki chcemy osiągnąć w naszym modelu. Jeśli głównym celem jest ograniczenie liczby przypadków fałszywie pozytywnych, to precyzja (precision) jest najważniejszą metryką. Jeśli natomiast chcemy wykryć jak najwięcej przykładów z jednej klasy, to czułość (recall) jest najważniejsza.

Nie ma jednej metryki, która byłaby najlepsza w każdym przypadku. Każda metryka ma swoje wady i zalety, i zależy od tego, jak wygląda nasz zbiór danych oraz jaki jest główny cel naszego modelu.

Warto wspomnieć, że F-score jest uniwersalną metryką, która może być używana, gdy potrzebujemy kompromisu między precyzją a czułością modelu.

[student_905_9dn]

Czyli F-score w większości przypadków będzie w stanie poprawnie ocenić jakość naszego modelu?

[bot_external]

Nie, F-score nie zawsze będzie w stanie poprawnie ocenić jakość naszego modelu. Jak wspomniano w kontekście, F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady true negative (TN) - prawdziwie negatywne. Oznacza to, że F-score może nie być w stanie ocenić dokładnie jakość modelu, jeśli nasz zbiór danych zawiera wiele przykładów true negative.

Dodatkowo, jak wspomniano w kontekście, F-score zależy od współczynnika r (równania klas), co oznacza, że porównywanie wartości F-score dla różnych problemów o różnych współczynnikach klas jest problematyczne.

[student_905_9dn]

Lepsza jest większa wartość wsadu czy większa liczba epok?

[bot_external]

Lepsza jest większa liczba epok. Im większa liczba epok, tym model ma więcej czasu na naukę i może osiągnąć lepsze wyniki. W przeciwieństwie do tego, większa wartość wsadu oznacza, że model otrzymuje więcej przykładów do nauki w jednej epoce, ale może to również spowodować, że model będzie miał trudności z osiągnięciem optymalnego wyniku, zwłaszcza jeśli zbiór danych jest mały.

W naszym przypadku, zbiór danych składa się z 170 przykładów, a model potrzebuje 11 wsadów, aby przejść przez wszystkie przykłady. Im większa liczba epok, tym model ma więcej czasu na naukę i może osiągnąć lepsze wyniki.

[student_905_9dn]

Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki? uzasadnij odpowiedź

[bot_external]

Aby odpowiedzieć na to pytanie, musimy wziąć pod uwagę, że zbiór uczący składa się z 340 przykładów i parametr wielkość wsadu jest ustalony na 16.

Ponieważ model potrzebuje 11 wsadów, aby przejść przez wszystkie przykłady w naszym poprzednim przypadku (zbiór danych składa się z 170 przykładów), możemy przypuszczać, że w tym przypadku również potrzebne będą 11 wsadów.

Aby potwierdzić to, możemy podzielić liczbę przykładów w zbiór uczącym (340) przez wielkość wsadu (16):

340 ÷ 16 = 21,25

Ponieważ nie możemy mieć połowy wsadu, możemy zaokrąglić to wyniki na 22 wsady. Jednak w tym przypadku, model potrzebuje 11 wsadów, aby przejść przez wszystkie przykłady.

Zatem, w tym przypadku również potrzebne będą 11 wsadów.

[student_905_9dn]

jakie inne problemy poza wymienionymi w kursie mogą wystąpić z powodu niewystarczająco dobrego zbiorowi danych?

[bot_external]

Zgodnie z dostępnymi informacjami, oprócz wymienionych w kursie problemów, takich jak przeuczenie i czas obliczeń, inne problemy, które mogą wystąpić z powodu niewystarczająco dobrego zbioru danych, to:

• Problemy z danymi, takie jak niekompletność, duplikaty lub błędy w danych.
• Trudności z identyfikacją rzadkich zależności w danych.
• Problemy z rozszerzaniem danych, takie jak przycinanie i obracanie.

Dodatkowo, w kontekście problemu uczenia się z rzadkimi danymi, wspomniano o problemie, w którym model zignorował klasę mniej liczną i automatycznie przypisał wszystkie przykłady do klasy dominującej, osiągając przy tym wysoką dokładność, ale nie spełniając swojego głównego zadania.

Nie ma jednak informacji o innych problemach, które mogą wystąpić z powodu niewystarczająco dobrego zbioru danych.

[student_905_9dn]

dlaczego duplikaty są problematyczne?

[bot_external]

Duplikaty w danych są problematyczne, ponieważ mogą wpłynąć na jakość modelu uczenia się. W szczególności, duplikaty mogą powodować, że model będzie się uczył na błędnych danych, co może prowadzić do niewłaściwych wyników.

W kontekście problemu uczenia się z rzadkimi danymi, duplikaty mogą być szczególnie problematyczne, ponieważ mogą powodować, że model zignoruje klasę mniej liczną i automatycznie przypisze wszystkie przykłady do klasy dominującej, osiągając przy tym wysoką dokładność, ale nie spełniając swojego głównego zadania.

Przykładem może być sytuacja, w której mamy zbiór danych, w którym każdy przykład jest powtórzony 10 razy. W takim przypadku model będzie się uczył na błędnych danych, ponieważ będzie miał zbyt wiele przykładów z tej samej klasy, co może prowadzić do niewłaściwych wyników.

[student_905_9dn]

jakie są inne zastosowania uczenia maszynowego poza tymi wymienionymi w kursie?

[bot_external]

Zgodnie z dostępnymi informacjami, inne zastosowania uczenia maszynowego poza tymi wymienionymi w kursie to:

• Eksploracja sieci Web: uczenie maszynowe może być wykorzystywane do odkrywania struktur i wzorców w danych sieci Web.
• Wykrywanie włamań: uczenie maszynowe może być wykorzystywane do wykrywania ataków na systemy komputerowe.
• Produkcja ciągła: uczenie maszynowe może być wykorzystywane do optymalizacji procesów produkcyjnych.
• Bioinformatyka: uczenie maszynowe może być wykorzystywane do analizy danych biologicznych, takich jak sekwencje DNA.

Dodatkowo, w kontekście problemu uczenia się reguł asocjacyjnych, wspomniano o zastosowaniach w obszarach, takich jak:

• Analiza koszyka rynkowego: uczenie maszynowe może być wykorzystywane do odkrywania wzorców w danych sprzedażowych.
• Eksploracja wykorzystania sieci Web: uczenie maszynowe może być wykorzystywane do odkrywania struktur i wzorców w danych sieci Web.

Nie ma jednak informacji o innych zastosowaniach uczenia maszynowego poza tymi wymienionymi w kursie.

[student_905_9dn]

podaj współczesny przykład zastosowania uczenia przez wzmacnianie

[bot_external]

Współczesnym przykładem zastosowania uczenia przez wzmacnianie jest systemy gier wideo, które wykorzystują uczenie przez wzmacnianie do uczenia się strategii gry i podejmowania decyzji w czasie rzeczywistym. Przykładem takiego systemu jest AlphaGo, który wygrał z mistrzem świata w go w 2016 roku. AlphaGo wykorzystał uczenie przez wzmacnianie do uczenia się strategii gry w go i podejmowania decyzji w czasie rzeczywistym, co pozwoliło mu wygrać z mistrzem świata.