conversation_by_ntl

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1136_ntl]

Czy liczebność klas podczas klasyfikacji w uczeniu maszynowym zawsze musi być podobna?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, w klasyfikacji uczenia maszynowego jest bardzo ważne, aby liczebność klas w zbiorze uczącym była podobna. Jeśli klasy mają znacznie nierówną liczebność, model może zignorować mniej liczną klasę i klasyfikować wszystkie przykłady jako należące do klasy dominującej, co prowadzi do słabego działania modelu, mimo że metryka taka jak dokładność może wydawać się wysoka. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:5[/eduexe-source][eduexe-source]22:6[/eduexe-source][eduexe-source]22:7[/eduexe-source]

[student_1136_ntl]

Czy jeśli dany przykład występuje w naturze rzadziej, to jego klasa w uczeniu maszynowym powinna być mniej liczna, czy nadal liczebność musi być podobna?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nawet jeśli dany przykład występuje w naturze rzadziej, liczebność jego klasy w zbiorze uczącym powinna być podobna do innych. W przeciwnym razie model może zignorować mniej liczną klasę, co prowadzi do słabego działania, nawet jeśli dokładność wydaje się wysoka. W kursie, na przykładzie rzadkiej choroby, wskazano, że model może klasyfikować wszystkie przypadki jako należące do klasy dominującej. [eduexe-source]11:4[/eduexe-source][eduexe-source]22:6[/eduexe-source]

[student_1136_ntl]

Od czego zależą proporcje podziału zbioru treningowego i zbioru testowego?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Proporcje podziału zbioru treningowego i testowego zależą od kilku zasad: zbiór uczący powinien być znacząco większy od testowego, zbiór testowy musi być jakościowo reprezentatywny dla całości danych oraz musi być wystarczająco duży. W Google Teachable Machine dane są automatycznie dzielone w proporcji 85:15, ale w praktyce spotyka się też inne proporcje, np. 80:20 lub 90:10. [eduexe-source]15:7[/eduexe-source]

[student_1136_ntl]

Zdefiniuj przeuczenie modeli

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przeuczenie (nadmierne dopasowanie, ang. overfitting) to zjawisko, w którym model za bardzo dostosowuje się do danych treningowych. W efekcie nie jest w stanie poprawnie radzić sobie z danymi testowymi, których nie widział w czasie uczenia się. [eduexe-source]17:4[/eduexe-source]

[student_1136_ntl]

Zdefiniuj niedouczenie modeli

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Niedouczenie (niedopasowanie modelu, ang. underfitting) to zjawisko, w którym model jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie zdołał wykryć prawidłowości w danych, na podstawie których mógłby dokonywać trafnych klasyfikacji. [eduexe-source]17:6[/eduexe-source]

[student_1136_ntl]

Jak się ma metryka Accuracy do Precision?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Precyzja (Precision) to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Accuracy jest podstawową metryką, ale może być myląca przy nierównej liczebności klas, gdzie Precision często lepiej odzwierciedla działanie modelu, zwłaszcza gdy celem jest ograniczenie fałszywie pozytywnych wyników. [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source][eduexe-source]22:6[/eduexe-source][eduexe-source]23:4[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[student_1136_ntl]

A precision vs Recall?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (Precision) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Jest kluczowa, gdy celem jest ograniczenie fałszywie pozytywnych wyników.

Czułość (Recall) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. Mówi, jaki procent wszystkich pozytywnych przypadków wykrywa model i jest ważna, gdy zależy nam na wykryciu jak największej liczby przykładów z jednej klasy, minimalizując fałszywie negatywne wyniki. [eduexe-source]29:2[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[student_1136_ntl]

Dobre odpowiedzi!

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje odpowiedzi są pomocne!

Czy masz jeszcze jakieś pytania dotyczące precyzji, czułości, czy innych metryk, czy może chciałbyś/chciałabyś kontynuować kurs?