conversation_by_9rk

[student_1137_9rk]

Która opcja jest bardziej bezpieczna dla stabilności modelu w przypadku naprawy modelu , którym zostaje wyróżniowy przypadek graniczny? Dorzucenie więcej podobnych danych do istniejacej juz klasy czy stworzenie klasy posredniej?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W przypadku naprawy modelu, gdy mamy do czynienia z przypadkiem granicznym, obie opcje mają swoje zastosowanie.

Dorzucenie więcej podobnych danych do istniejącej klasy może pomóc modelowi lepiej zrozumieć zakres tej klasy. Jednak dla prawdziwie granicznych, niejednoznacznych przypadków, bezpieczniejszym dla stabilności modelu może być stworzenie klasy pośredniej. Pozwala to modelowi na wyraźne rozróżnienie niejednoznaczności, zamiast wymuszania klasyfikacji do jednej z głównych kategorii. Ważne jest, aby nowa klasa pośrednia również miała wystarczającą liczbę przykładów, by model mógł się jej nauczyć. [eduexe-source]12:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]

[student_1137_9rk]

Dlaczego algorytm UM ignoruje klasę z jednym przykładem i potrzebuje wielu zróżnicowanych danych, by poprawnie ją sklasyfikować?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Algorytm uczenia maszynowego ignoruje klasę z tylko jednym przykładem, ponieważ pojedynczy przykład jest niewystarczający, aby model mógł skutecznie nauczyć się wzorców i cech tej klasy. Model potrzebuje wielu zróżnicowanych danych, aby móc generalizować i poprawnie klasyfikować obiekty, gdyż w przeciwnym razie może zignorować tak mało liczną klasę w porównaniu z innymi. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1137_9rk]

Co dokładnie oznacza sytuacja, gdy strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie? Jak to interpretować?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Sytuacja, w której strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie, oznacza, że mamy do czynienia z przeuczeniem (ang. overfitting). Jest to zjawisko, w którym model zbyt mocno dopasowuje się do danych treningowych, przez co traci zdolność do poprawnego radzenia sobie z nowymi, niewidzianymi wcześniej danymi testowymi. [eduexe-source]17:4[/eduexe-source]

[student_1137_9rk]

od czego zależy , że w GTM zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów, ponieważ narzędzie to dokonuje automatycznego podziału danych na zbiór uczący i testowy w proporcji 85:15. Nie ma możliwości ręcznej zmiany tej proporcji. [eduexe-source]15:7[/eduexe-source]

[student_1137_9rk]

dlaczego jak zwiekszamy tempo uczenia sie to dokladnosc modelu może spaść?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zwiększenie tempa uczenia (współczynnika uczenia) może spowodować spadek dokładności modelu, ponieważ zbyt duża wartość tego parametru oznacza, że model wykonuje zbyt duże kroki podczas korygowania swoich błędów. Może to prowadzić do "przeskoczenia" optymalnego rozwiązania, przez co model nigdy nie osiągnie najlepszego dopasowania i jego dokładność będzie niska. [eduexe-source]16:7[/eduexe-source]

[student_1137_9rk]

Patrząc na wykres straty, po ktorej epoce najlepiej byłoby zatrzymać trening, zeby model był jak najlepszy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Patrząc na wykres straty, najlepiej byłoby zatrzymać trening w momencie, gdy strata na zbiorze uczącym nadal spada, ale strata na zbiorze testowym przestaje maleć lub zaczyna rosnąć. Jest to sygnał, że model zaczyna się przeuczać, czyli nadmiernie dopasowywać do danych treningowych, tracąc zdolność do generalizacji na nowe dane. [eduexe-source]17:4[/eduexe-source]

[student_1137_9rk]

W przypadku diagnozowania chorób, który błąd modelu jest gorszy: fałszywie pozytywny (zdrowy uznany za chorego) czy falszywie negatywny (chory uznany za zdrowego)?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W przypadku diagnozowania chorób, błąd fałszywie negatywny (chory uznany za zdrowego) jest zazwyczaj gorszy. Oznacza to, że osoba faktycznie chora nie otrzyma potrzebnego leczenia, co może prowadzić do poważnych konsekwencji zdrowotnych. W takich sytuacjach dąży się do jak najwyższej czułości modelu (recall), aby wykryć jak najwięcej chorych, nawet kosztem kilku fałszywie pozytywnych diagnoz. [eduexe-source]26:4[/eduexe-source]

[student_1137_9rk]

nie rozumiem tego : Dokładność (accuracy) dla modelu, który błędnie klasyfikuje wszystkie przykłady testowe, wynosi 0.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (accuracy) to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Jeżeli model błędnie klasyfikuje wszystkie przykłady testowe, oznacza to, że liczba poprawnie zaklasyfikowanych przykładów wynosi zero. W związku z tym, stosunek tych poprawnie zaklasyfikowanych przykładów do wszystkich przykładów testowych również będzie wynosił zero.
[eduexe-source]22:1[/eduexe-source]

[student_1137_9rk]

W ostatnim zadaniu dokładność wynosiła 73%, a F-score 64%. Którą z tych dwóch metryk powinnam sie sugerować, żeby ocenic, czy model jest dobry?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W ostatnim zadaniu, jeśli masz do czynienia z modelem klasyfikacji i chcesz ocenić jego jakość, powinieneś sugerować się F-score (64%) zamiast dokładności (73%), jeśli potrzebujesz kompromisu między precyzją a czułością. Dokładność (accuracy) jest uniwersalna, ale może być myląca, gdy w danych występują duże różnice w liczebności klas. F-score, będąc średnią harmoniczną precyzji i czułości, ocenia model bardziej obiektywnie w takich przypadkach [eduexe-source]26:4[/eduexe-source][eduexe-source]25:1[/eduexe-source][eduexe-source]22:6[/eduexe-source].