conversation_by_q6k

[bot_external]

W kontekście dostępnym, przypadki graniczne są omawiane wraz z rozwiązaniem problemu z plikiem "test_B1.jpg", który przedstawia niechlujnie zapisaną cyfrę. W takich przypadkach, model ma problem z jednoznacznym rozpoznaniem cyfry.

Zgodnie z opisem, w takich przypadkach mamy dwa wyjścia:

1. Jeżeli dysponujemy dodatkowymi danymi łącznie z ich prawidłową, jednoznaczną identyfikacją, możemy poszukać w nich więcej podobnych przypadków granicznych, a następnie dodać je do prawidłowych dla nich klas.
2. Jeżeli sami nie dysponujemy prawidłową odpowiedzią w przypadkach granicznych, możemy stworzyć klasę pośrednią, w tym wypadku np. "Nieokreślone", i umieścić w niej wszystkie trudne przypadki.

Nie ma dodatkowych informacji o przypadkach granicznych w kontekście dostępnym.

[student_905_q6k]

Powiedź więcej o problemie nierownej liczebnosci klas

[bot_external]

Problem nierówności liczności klas dotyczy sytuacji, w której w zbiorze danych występują klasy o różnej liczbie elementów. W opisanej sytuacji mamy do czynienia z bardzo rzadką chorobą, w której w zbiorze danych występuje tylko jeden chory na 99 zdrowych. Model, który został wytrenowany na takich danych, zignorował klasę mniej liczną i automatycznie przypisał wszystkie przykłady do klasy dominującej, osiągając wysoką dokładność, ale nie spełniając swojego głównego zadania, czyli prawidłowego zdiagnozowania osoby chorej.

W takich przypadkach model nie jest w stanie nauczyć się rozpoznawać klasę mniej liczną, ponieważ jest ona zbyt rzadka w danych. Aby rozwiązać ten problem, należy uzupełnić klasę mniej liczną o więcej danych, aby model mógł nauczyć się rozpoznawać ją poprawnie.

Przykładem takiego przypadku jest sytuacja z plikiem "test_B2.jpg", który przedstawia cyfrę 3, dla której w danych wejściowych mamy do czynienia ze skrajnie nierówną liczebnością klas - w klasie "3" znajduje się tylko jeden przypadek. W takim przypadku model nie jest w stanie nauczyć się rozpoznawać cyfry 3, dlatego należy uzupełnić klasę "3" o więcej danych i ponownie wytrenować model.

[student_905_q6k]

Zbiór uczący (ang. train set) zawiera przykłady, na których, jak sama nazwa wskazuje, model nie uczy się, znając z góry prawidłową klasyfikację. Prawda czy Fałsz?

[bot_external]

Odpowiedź to: Fałsz.

Zbiór uczący (ang. train set) zawiera przykłady, na których model się uczy, znając z góry prawidłową klasyfikację.

[student_905_q6k]

... Jak możemy zauważyć na ilustracji, dostępnych mamy kilka różnych opcji - od 16 do 512. Dlaczego akurat od 16 do 512?

[bot_external]

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Nie ma informacji, dlaczego akurat od 16 do 512. Można jedynie stwierdzić, że dostępnych jest kilka różnych opcji, od 16 do 512.

[student_905_q6k]

Jaka jest najwyższa możliwa wartość metryki?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście dostępnym. W opisie metryk, w sekcji "Metryki w kontekście Uczenia Maszynowego" czytamy:

"Dla wszystkich metryk, które omówimy, im wyższa wartość, tym wyższa ocena modelu. Przykładowo, model z metryką o wartości 0,9 jest więc lepszy o modelu z metryką o wartości 0,7."

Z tego opisu wynika, że najwyższa możliwa wartość metryki jest 1, ponieważ jest to maksymalna wartość, która może być osiągnięta przez model.

[student_905_q6k]

Czy jest jakaś metryka uważana za najskuteczniejszą w najwiekszej ilosci przypadkow?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście dostępnym. W sekcji "Metryki w kontekście Uczenia Maszynowego" czytamy:

"precyzja (precision) - jest najważniejszą metryką, jeżeli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych - przykładowo, diagnozujemy chorobę, na którą jest tylko jeden lek, i ma niechciane efekty uboczne, w związku z czym chcemy mieć pewność, że nie będziemy niepotrzebnie podawać go osobom zdrowym - precyzja naszego modelu powinna być jak najwyższa"

Z tego opisu wynika, że precyzja (precision) jest uważana za najskuteczniejszą metrykę w przypadkach, w których głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych.