conversation_by_q6k
-
Powiedź więcej o problemie nierownej liczebnosci klas
-
Powiedź więcej o problemie nierownej liczebnosci klas
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.
-
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?
-
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?
Odpowiedź to: Fałsz.
Zbiór uczący (ang. train set) zawiera przykłady, na których model się uczy, znając z góry prawidłową klasyfikację.
-
... Jak możemy zauważyć na ilustracji, dostępnych mamy kilka różnych opcji - od 16 do 512. Dlaczego akurat od 16 do 512?
-
... Jak możemy zauważyć na ilustracji, dostępnych mamy kilka różnych opcji - od 16 do 512. Dlaczego akurat od 16 do 512?
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.
-
Jaka jest najwyższa możliwa wartość metryki?
-
Jaka jest najwyższa możliwa wartość metryki?
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.
-
Czy jest jakaś metryka uważana za najskuteczniejszą w najwiekszej ilosci przypadkow?
-
Czy jest jakaś metryka uważana za najskuteczniejszą w najwiekszej ilosci przypadkow?
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.