conversation_by_baq

[student_905_baq]

czy dodanie nowej klasy w przypadku gdy wystepuja przypadki graniczne moze pogorszyć klasyfikacje?

[bot_external]

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Nie ma informacji o tym, czy dodanie nowej klasy w przypadku gdy występują przypadki graniczne może pogorszyć klasyfikację.

[student_905_baq]

czy jeżeli mam dwie klasy gdzie jedna ma wiecej przypadkow w danych niżdróga to czy przy podziale na dane testowe powinienem zachować tą proporcje czy dac tyle samo przykladów testodych z obu klas?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście. W opisie Google Teachable Machine, wskazano, że dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Jednak w przypadku, gdy mamy dwie klasy, gdzie jedna ma więcej przypadków w danych niż druga, nie ma konieczności zachowania tej samej proporcji w zbiorze testowym.

W takim przypadku, lepiej jest zachować proporcję, która odzwierciedla rzeczywistą liczebność klas w danych. Oznacza to, że w zbiorze testowym powinny być więcej przykładów z klasy, która ma więcej przypadków w danych, niż z klasy, która ma mniej przypadków.

Przykładowo, jeśli w danych mamy 90% przypadków z klasy A i 10% przypadków z klasy B, w zbiorze testowym powinny być 90% przykładów z klasy A i 10% przykładów z klasy B. Taka proporcja pozwoli na bardziej wiarygodne ocenienie modelu i uniknięcie przypadków, w których model będzie się skupiał na klasyfikacji przypadków z klasy, która ma więcej przypadków w danych.

[student_905_baq]

w opisie epoki w teacheable machine jest napisane ze "każdy przykład ze zbioru został przynajmniej raz przepuszczony przez model..." czy to oznacza ze w jednej epoce jest szansa na to ze bedziemy trenowac na jednym przykladzie czy poprostu po razie kazdy?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście. W opisie epoki w Google Teachable Machine, jest napisane: "każdy przykład ze zbioru został przynajmniej raz przepuszczony przez model...". Oznacza to, że w jednej epoce, każdy przykład ze zbioru uczącego zostanie przepuszczony przez model co najmniej raz.

To oznacza, że w jednej epoce, model będzie trenował na wszystkich przykładach ze zbioru uczącego, ale niekoniecznie w jednej iteracji. Model może trenować na przykładach w kilku iteracjach, zanim wszystkie przykłady zostaną przepuszczone przez model.

Przykładowo, jeśli mamy 10 przykładów w zbiorze uczącym i wielkość wsadu jest 2, model będzie trenował na 2 przykładach w pierwszej iteracji, na 2 kolejnych przykładach w drugiej iteracji, itd., aż do momentu, gdy wszystkie 10 przykładów zostaną przepuszczone przez model.

[student_905_baq]

skad wiadomo czy przy liczeniu precyzji do licznika wlozyc true positive czy true negative?

[student_905_baq]

czy precyzje sie liczy tylko dla pierwszej klasy czy dla wszystkich?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście. W opisie precyzji i pełności w Google Teachable Machine, jest napisane: "Aby uzyskać precyzję dla danej klasy, dzielimy liczbę prawdziwie pozytywnych wyników przez obciążenie klasyfikatora w kierunku tej klasy (liczbę przypadków, w których klasyfikator przewidział tę klasę)."

Oznacza to, że precyzja się liczy dla każdej klasy oddzielnie. Nie jest to precyzja ogólna dla wszystkich klas, ale raczej precyzja dla danej klasy.

Przykładowo, jeśli mamy dwie klasy: A i B, i model przewiduje 90% przypadków jako A i 10% przypadków jako B, a z 90% przypadków A 80% jest prawdziwie pozytywnych, a z 10% przypadków B 100% jest prawdziwie pozytywnych, to precyzja dla klasy A będzie 80/90 = 0,89, a precyzja dla klasy B będzie 100/10 = 1.

[student_905_baq]

czy f score podaje sie dla kazdel klasy czy jest jeden ogolny dla calego modelu?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście. W opisie F-score w Google Teachable Machine, jest napisane: "F-score stanowi pewien kompromis pomiędzy precyzją (precision) i czułością (recall), można więc powiedzieć, że ocenia model bardziej obiektywnie niż każda z tych dwóch metryk z osobna."

Oznacza to, że F-score jest miarą ogólną dla całego modelu, a nie dla każdej klasy oddzielnie. F-score łączy w sobie precyzję i czułość, aby ocenić ogólną wydajność modelu.

Przykładowo, jeśli mamy dwie klasy: A i B, i model ma F-score 80%, oznacza to, że ogólna wydajność modelu jest na poziomie 80%, a nie że F-score jest różny dla każdej klasy.