conversation_by_0bc

[bot_external]

W przypadku rozwiązywania problemu przypadku granicznego między klasami, możemy wykorzystać dwie metody:

1. Dodanie dodatkowych danych, w tym przypadku prawidłowej, jednoznacznej identyfikacji, aby poszukać w nich więcej podobnych przypadków granicznych i dodać je do prawidłowych dla nich klas. Musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek.
2. Stworzenie klasy pośredniej, w tym wypadku np. "Nieokreślone", i umieszczenie w niej wszystkich trudnych przypadków.

Te metody zostały opisane w kontekście jako rozwiązania problemu przypadku granicznego między klasami w przypadku, gdy model nie jest w stanie jednoznacznie zdecydować się na żadną z opcji lub decyduje niepoprawnie.

[student_905_0bc]

Czy w Google Teachable Machine mogę dostoswać procent danych testowych?

[bot_external]

Nie, w Google Teachable Machine nie możesz dostosować procentu danych testowych. Jak wskazano w kontekście, dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 i nie da się ręcznie zmienić tej proporcji.

[student_905_0bc]

Wytłumacz mi na czym polega wielkość wsadu

[bot_external]

Wielkość wsadu (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania.

[student_905_0bc]

Czym w tym kontekście jest iteracja działania?

[bot_external]

W tym kontekście, iteracja działania oznacza pojedynczą porcję treningową, czyli liczbę przykładów, jaką model otrzymuje na raz do trenowania w swoim działaniu.

[student_905_0bc]

W jaki sposó zmienianie tej wartości wpływa na trenowanie modelu?

[bot_external]

W tym kontekście nie ma informacji o tym, jak zmiana wielkości wsadu wpływa na trenowanie modelu. Kontekst dotyczy głównie problemów z trenowaniem modelu i poprawiania jego działania, a nie z parametrów trenowania.

[student_905_0bc]

Czy wielkość wsadu jest jakoś zależna z procentem danych testowych?

[bot_external]

Nie, kontekst nie wskazuje, że wielkość wsadu jest w jakikolwiek sposób zależna od procentu danych testowych. Wielkość wsadu jest opisana jako rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania, natomiast procent danych testowych jest automatycznie ustalony w Google Teachable Machine w proporcji 85:15.

[student_905_0bc]

Czy poprawnym jest stwierdzenie, że wielkość wsadu odpowiada tylko za uczenie modelu podczas gdy dane testowe nie mają wpływu na ten proces tylko sprawdzają skuteczność modelu?

[bot_external]

Nie, stwierdzenie to nie jest poprawne. Kontekst wskazuje, że dane testowe nie mają wpływu na proces uczenia modelu, ale są używane do sprawdzenia skuteczności modelu. Dane testowe są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15, co oznacza, że model jest trenowany na danych uczących się, a następnie oceniany na danych testowych. Wielkość wsadu natomiast odnosi się do rozmiaru porcji treningowej, czyli liczby przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania.

[student_905_0bc]

Kiedy accuracy będzie lepszą metryką niż precision

[bot_external]

W tym kontekście, accuracy będzie lepszą metryką niż precision w sytuacji, w której zależy nam, by wykryć jak najwięcej przykładów z jednej klasy (a więc ograniczamy liczbę przypadków fałszywie negatywnych). W takim przypadku czułość (recall) jest najważniejszą metryką, a accuracy może być używana jako kompromis między precyzją a czułością modelu.

[student_905_0bc]

Czym jest F-score?

[bot_external]

F-score to miara, która stanowi pewien kompromis pomiędzy precyzją (precision) i czułością (recall). Jest to miara, która ocenia model bardziej obiektywnie niż każda z tych dwóch metryk z osobna. F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady true negative (TN) - prawdziwie negatywne.