conversation_by_pp9

[student_1137_pp9]

nie do końca rozumiem jak działa ten zbiór testowy - No bo jak wrzucam losowy obraz do klasyfikatora (np. test_1) to on nie jest jakby kompletnie spoza zbioru testowego i uczącego. Zatem to testowanie na zbiorze testowym kiedy następuje?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy to część danych, które model otrzymuje na początku, ale których nie wykorzystuje w procesie uczenia się. Służy on do sprawdzenia, jak dobrze model radzi sobie z klasyfikacją przykładów, których wcześniej nie widział. [15:3]

W Google Teachable Machine dane, które dostarczasz (np. z pliku Materialy.zip), są automatycznie dzielone na zbiór uczący (85%) i zbiór testowy (15%). [15:4] Testowanie na tym zbiorze następuje automatycznie po zakończeniu trenowania modelu. Kiedy wgrywasz "losowy obraz" taki jak test_1.jpg [8:6], używasz przykładu, który model "nie widział w procesie uczenia się" [8:6], co jest zgodne z przeznaczeniem zbioru testowego. Służy to demonstracji zdolności modelu do oceny nowych danych [8:9].

[student_1137_pp9]

no ale właśnie obraz który wrzucam jest spoza tych 15% zbioru testowego. To po co jest ten zbiór testowy, skoro wynik tego testu nie jest w żaden sposób dla użytkownika widoczny?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Masz rację, obraz, który ręcznie wgrywasz (np. 'test_1.jpg'), nie jest częścią tych 15% danych, które Google Teachable Machine automatycznie przeznacza na wewnętrzny zbiór testowy. [eduexe-source]8:6[/eduexe-source][eduexe-source]15:4[/eduexe-source]

Ten 15% zbiór testowy służy do sprawdzenia, jak model radzi sobie z danymi, których nie widział w procesie uczenia. [eduexe-source]15:3[/eduexe-source] Wyniki tego wewnętrznego testu są widoczne dla użytkownika w sekcji "Dla zaawansowanych" w GTM, gdzie możesz zobaczyć wykres funkcji straty dla zbioru testowego (pomarańczowa linia), macierz pomyłek oraz dokładność dla poszczególnych klas, które są obliczane na podstawie tego zbioru testowego. [eduexe-source]17:2[/eduexe-source][eduexe-source]18:1[/eduexe-source][eduexe-source]22:3[/eduexe-source] Wgrywane przez Ciebie obrazy to dodatkowe przykłady demonstracyjne.

[student_1137_pp9]

okej tera ma większy sens

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Cieszę się, że moje wyjaśnienia pomogły Ci lepiej zrozumieć działanie zbioru testowego. Jeśli masz jeszcze jakieś pytania lub potrzebujesz dalszych wyjaśnień, chętnie pomogę.

[student_1137_pp9]

rozwiąż zadanie na dole strony (Jakiego niezbezpieczeństwa można się spodziewać w związku ze znacznym podwyższeniem współczynnika uczenia?)

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Znaczące podwyższenie współczynnika uczenia może prowadzić do tego, że model "przeskoczy" optymalne rozwiązanie, co w konsekwencji może znacznie obniżyć dokładność modelu. [eduexe-source]16:7[/eduexe-source][eduexe-source]16:8[/eduexe-source]

[student_1137_pp9]

wybierz jedną z dostęþnych odpowiedzi

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Znaczące podwyższenie współczynnika uczenia może prowadzić do tego, że model "przeskoczy" optymalne rozwiązanie, co w konsekwencji może znacznie obniżyć dokładność modelu. Zatem, wybierając jedną z dostępnych odpowiedzi, prawidłowa jest:

Dokładność modelu może znacznie spaść. [eduexe-source]16:8[/eduexe-source]

[student_1137_pp9]

Dobrze! Aczkolwiek nie spodziewałem się, że będziesz w stanie rozwiązywać ten kurs za kursantów:)

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje odpowiedzi są pomocne. Moim celem jest wspieranie Cię w nauce i rozwiązywaniu zadań, abyś jak najlepiej zrozumiał materiał kursu.

[student_1137_pp9]

Wykonaj streszczenie tej strony wzracając uwagę tylko na najbardziej kluczowe pojęcia oraz jakie typy zadań są dostępne;)

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Na tej stronie omówiono trzy kluczowe pojęcia w uczeniu maszynowym: epoki (liczba przejść przez cały zbiór uczący), wielkość wsadu (liczba przykładów przetwarzanych jednocześnie) oraz współczynnik uczenia (wielkość kroku korekty modelu). Znajdują się tu również zadania typu "Sprawdź się!" do każdego z tych pojęć, gdzie należy wybrać prawidłową odpowiedź lub podać wartość liczbową. [16:3][16:5][16:7]

[student_1137_pp9]

mam otwarte C3

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Masz otwarty komponent "C3 - Podstawowe pojęcia UM - strata, przeuczenie, niedouczenie". Spędziłeś w nim dotychczas 1 minutę i 30 sekund. Odwiedziłeś ten komponent 1 raz. Nie rozwiązałeś jeszcze żadnego z zadań interaktywnych w tym komponencie. [17:1]

[student_1137_pp9]

wykonaj zlecone zadanie (dwie wiadomości wyżej)

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Na stronie "C3 - Podstawowe pojęcia UM - strata, przeuczenie, niedouczenie" omówiono trzy kluczowe pojęcia: funkcja straty (różnica między wynikiem modelu a prawidłową odpowiedzią), przeuczenie (nadmierne dopasowanie modelu do danych uczących) oraz niedouczenie (model jest zbyt prosty lub za mało wytrenowany). Znajdują się tu również zadania typu "Sprawdź się!" w formie pytań jednokrotnego wyboru. [17:2][17:4][17:6]

[student_1137_pp9]

jak rozpoznać niedouczenie po wykresie? chodzi o to że ciągle maleje i się nie stabilizuje?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację w kwestii "ciągle maleje" i "nie stabilizuje", ale z pewnym doprecyzowaniem. W przypadku niedouczenia (underfitting) na wykresie funkcji straty zauważysz, że zarówno strata dla zbioru uczącego, jak i testowego maleje, ale strata dla zbioru testowego (pomarańczowa linia) maleje wolniej niż dla zbioru uczącego (niebieska linia). Obie wartości straty pozostają stosunkowo wysokie i nie stabilizują się na niskim, optymalnym poziomie, co wskazuje, że model jest zbyt prosty lub za mało wytrenowany, by skutecznie poradzić sobie z danymi. [17:6][17:7]