conversation_by_gev

[bot_external]

Oto odpowiedź na pytanie kursanta:

Przeuczenie - inaczej: nadmierne dopasowanie (ang. overfitting) to zjawisko polegające na tym, że model za bardzo dostosowuje się do danych treningowych, w efekcie czego nie jest w stanie poprawnie radzić sobie z danymi testowymi, których "nie widział" w czasie uczenia się.

Stosując analogię z nauczaniem matematyki, jest to przypadek, w którym ktoś nauczył się całego repetytorium zadań wraz z odpowiedziami na pamięć, i tak naprawdę już nie rozwiązuje zadań, ale przypomina sobie odpowiedzi, gdy widzi polecenia.

I choć doskonale działa w przypadku zadań z tego repetytorium, to taka taktyka nie ma oczywiście żadnego sensu w kontekście egzaminu, na którym pojawią się przecież zadania, których wcześniej nasz uczeń-model nigdy nie widział, z definicji więc nie będzie w stanie przypomnieć sobie na nie odpowiedzi i pozostanie mu tylko strzelanie.

[student_994_gev]

Czy to zdanie jest prawdziwe? Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować,

[bot_external]

Nie, to zdanie nie jest prawdziwe. Przypadek graniczny nie jest opisany w kontekście jako przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu.

[student_994_gev]

Czy to zdanie jest fałszywe? Przypadek graniczny (borderline case) to przykład danych, który ma bardzo niskie prawdopodobieństwo wystąpienia, dlatego często jest pomijany podczas treningu modelu i prowadzi do błędów klasyfikacji.

[bot_external]

Oto odpowiedź na pytanie kursanta:

Przypadek brzegowy to problem lub sytuacja, która występuje tylko przy ekstremalnym (maksymalnym lub minimalnym) parametrze operacyjnym.

[student_994_gev]

Powtórzę pytanie, CZY TO ZDANIE JEST FAŁSZYWE? Przypadek graniczny (borderline case) to przykład danych, który ma bardzo niskie prawdopodobieństwo wystąpienia, dlatego często jest pomijany podczas treningu modelu i prowadzi do błędów klasyfikacji.

[bot_external]

Oto odpowiedź na pytanie kursanta:

Nie, zdanie nie jest fałszywe. Przypadek brzegowy to sytuacja, która występuje przy ekstremalnych warunkach, a nie przykład danych z niskim prawdopodobieństwem wystąpienia.

[student_994_gev]

Czy to prawda? Epoka (ang. epoch) to pojedyncze przejście modelu przez część danych treningowych w czasie nauki, po którym aktualizowane są wagi sieci neuronowej.

[bot_external]

Nie, to zdanie nie jest prawdziwe. Pojedyncza epoka to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego).

[student_994_gev]

Czy to fałsz? Epoka (ang. epoch) to pojedyncze przejście modelu przez część danych treningowych w czasie nauki, po którym aktualizowane są wagi sieci neuronowej.

[bot_external]

Nie, to zdanie nie jest prawdziwe. Pojedyncza epoka to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego).

[student_994_gev]

Czyli fałsz?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Nie, to zdanie nie jest fałszem. Pojedyncza epoka to przejście modelu przez wszystkie przykłady ze zbioru uczącego, a nie przez część danych.

[student_994_gev]

Czy dokładnością możemy określić, coś co robimy dokładnie?

[bot_external]

Nie, dokładnością nie możemy określić, coś co robimy dokładnie. Dokładność jest po prostu ułamkiem poprawnych klasyfikacji: Dokładność = poprawne klasyfikacje wszystkie klasyfikacje.

[student_994_gev]

Nie no, dokładność jest ułamkiem? Jeśli posmaruję kanapkę nutellą idealną warstwą 3mm - to nazwałbym dokładnością

[bot_external]

Dokładność to, jak blisko dany zbiór pomiarów (obserwacji lub odczytów) jest ich prawdziwej wartości. Dokładność to, jak blisko są pomiary względem siebie.

[student_994_gev]

W sensie uczenia maszynowego, może i masz rację

[bot_external]

Oto odpowiedź na pytanie kursanta:

W sensie uczenia maszynowego, masz rację, że nie możemy określić dokładnością, co robimy dokładnie. Dokładność w uczeniu maszynowym to miara, jak blisko nasze modeli przewidywań są prawdziwymi wartościami.