conversation_by_3ql

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Jasne, oto 3 krótkie pytania kontrolne na podstawie dotychczasowej części kursu i Twoich postępów, skupiające się na podstawowych pojęciach związanych ze zbiorami danych:

1. Dlaczego zbiór testowy powinien być reprezentatywny dla całego zbioru danych, a nie zawierać tylko zupełnie nowe, nieprzewidziane typy przykładów? [eduexe-source]15:7[/eduexe-source]
2. Co mogłoby się stać, gdyby zbiór uczący był znacznie mniejszy niż zbiór testowy? [eduexe-source]15:7[/eduexe-source]
3. Załóżmy, że masz łącznie 1000 obrazów, które są równo podzielone na 5 klas. Ile obrazów z jednej, konkretnej klasy zostanie użytych do treningu w Google Teachable Machine? [eduexe-source]15:4[/eduexe-source]

[student_1137_3ql]

1. Musi być podobny do zbioru uczącego, ponieważ w innym przypadku nie będzie w stanie wykorzystać wiedzy zdobytej w zbiorze uczącym

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Twoja odpowiedź jest poprawna. Zbiór testowy musi być reprezentatywny dla danych uczących, aby model mógł skutecznie wykorzystać wiedzę, którą zdobył podczas treningu, i aby ocena jego działania była miarodajna. Jeśli zbiór testowy zawierałby zupełnie nowe, nieprzewidziane typy przykładów, model nie byłby w stanie ich poprawnie sklasyfikować. [eduexe-source]15:7[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

2. Model nie miałby wystarczająco dużo danych żeby umieć poprawnie robić to co powinien

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Jeśli zbiór uczący byłby znacznie mniejszy niż zbiór testowy, model nie miałby wystarczająco dużo danych, aby skutecznie się nauczyć i zbudować odpowiedni model matematyczny, co uniemożliwiłoby mu poprawne wykonywanie zadań klasyfikacji. [eduexe-source]15:7[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

3. 30

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Odpowiedź "30" jest niepoprawna.

W Google Teachable Machine, dane są dzielone na zbiór uczący i testowy w proporcji 85% do 15% [eduexe-source]15:4[/eduexe-source]. Jeśli masz 1000 obrazów równo podzielonych na 5 klas, to na każdą klasę przypada 200 obrazów (1000 / 5 = 200). Do treningu z jednej klasy zostanie użyte 85% z tych 200 obrazów, czyli 170 obrazów (0.85 * 200 = 170). Wartość "30" odpowiada liczbie obrazów z jednej klasy, które trafią do zbioru testowego (0.15 * 200 = 30).

[student_1137_3ql]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Jasne, oto 3 krótkie pytania kontrolne na podstawie aktualnej części kursu i Twoich postępów, skupiające się na metryce dokładności:

1. Czym jest dokładność (accuracy) modelu uczenia maszynowego? [eduexe-source]22:1[/eduexe-source]
2. Załóżmy, że model odróżniający psy od kotów, dla zbioru testowego, ocenił: 20 psów jako psy, 5 psów jako koty, 15 kotów jako koty i 10 kotów jako psy. Ile wynosi dokładność tego modelu? [eduexe-source]22:5[/eduexe-source]
3. W jakiej sytuacji dokładność (accuracy) może być mylącą metryką do oceny jakości modelu? [eduexe-source]22:6[/eduexe-source][eduexe-source]22:7[/eduexe-source]

[student_1137_3ql]

1. Dokladnosc opisuje nam stosunek poprawnych odpowiedzi modelu do jego bledow

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź "Dokładność opisuje nam stosunek poprawnych odpowiedzi modelu do jego błędów" jest nieprecyzyjna.

Dokładność (Accuracy) to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im wyższa jej wartość (bliżej 1), tym lepszy model. [eduexe-source]22:1[/eduexe-source]

[student_1137_3ql]

2. 70%

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Twoja odpowiedź jest poprawna. Dokładność modelu wynosi 70%. Oblicza się ją, dzieląc liczbę poprawnie zaklasyfikowanych przykładów (20 psów jako psy + 15 kotów jako koty = 35) przez łączną liczbę wszystkich przykładów w zbiorze testowym (20+5+15+10 = 50). Daje to 35/50 = 0.7, czyli 70%. [eduexe-source]22:5[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

3. W sytuacji kiedy mamy bardzo niewiele danych

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Twoja odpowiedź jest częściowo poprawna, ale wymaga precyzacji. Dokładność (accuracy) może być mylącą metryką w sytuacji, gdy mamy do czynienia z nierówną liczebnością klas (ang. imbalanced classes), czyli gdy jedna klasa ma znacznie mniej przykładów niż pozostałe. W takim przypadku, nawet jeśli model ignoruje rzadką klasę i zawsze przewiduje klasę dominującą, dokładność może być wysoka, ale model będzie bezużyteczny dla rzadkiej klasy.

[eduexe-source]22:6[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?