conversation_by_8kp

[student_905_8kp]

jak poradzic z problemem nierówna liczebność klas?

[bot_external]

Odpowiedź na to pytanie znajduje się w drugim fragmencie tekstu. W przypadku nierówna liczebności klas, model może zignorować klasę mniej liczną i automatycznie przypisać wszystkie przykłady do klasy dominującej, osiągając wysoką dokładność, ale nie spełniając swojego głównego zadania.

Aby temu zaradzić, należy uzupełnić klasę mniej liczną o zawartość katalogu tej klasy, następnie ponownie wytrenować model i ponownie wgrać przykład do sekcji "Podgląd".

[student_905_8kp]

jak poradzic z problemem dane spoza klas?

[bot_external]

Odpowiedź na to pytanie znajduje się w trzecim fragmencie tekstu. W przypadku problemu danych spoza klas, model może zignorować te dane i automatycznie przypisać wszystkie przykłady do klasy dominującej, osiągając wysoką dokładność, ale nie spełniając swojego głównego zadania.

W tym przypadku, nie ma w tekście proponowanych rozwiązań, aby temu zaradzić.

[student_905_8kp]

czym jest Zbiór uczący?

[bot_external]

Zbiór uczący (inaczej treningowy, ang. train set) - to dane, dla których model zna poprawne odpowiedzi i na których jest trenowany.

[student_905_8kp]

czym jest Zbiór testowy?

[bot_external]

Zbiór testowy (ang. test set) to dane, z którymi model nie miał do czynienia w procesie uczenia się i nie zna dla nich poprawnych odpowiedzi, wykorzystywane do przetestowania, jak dobrze model jest wytrenowany.

[student_905_8kp]

Czym są metryki?

[bot_external]

Metryki to miary jakości modelu Uczenia Maszynowego, które umożliwiają porównywanie modeli między sobą.

[student_905_8kp]

co to macierz pomyłek?

[bot_external]

Macierz pomyłek (ang. confusion matrix) to tabela z dwoma wierszami i dwiema kolumnami, która przedstawia liczbę wyników prawdziwie pozytywnych, fałszywie negatywnych, fałszywie pozytywnych i prawdziwie negatywnych. Umożliwia to bardziej szczegółową analizę niż prosta obserwacja proporcji poprawnych klasyfikacji (dokładności).