conversation_by_lp2

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. Celem trenowania modelu jest minimalizowanie funkcji straty, więc im niższa jej wartość, tym lepszy model. [eduexe-source]17:2[/eduexe-source]

[student_1136_lp2]

co pozwala nam obliczyć metryki

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Metryki w uczeniu maszynowym pozwalają nam ocenić jakość wytrenowanych modeli oraz porównywać je między sobą. Oblicza się je na podstawie macierzy pomyłek, która pokazuje, ile przykładów testowych zostało poprawnie lub błędnie sklasyfikowanych. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[student_1136_lp2]

Jak wygladaja macierze pomyłek

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (tablica pomyłek) to tabela, która pokazuje, jak model klasyfikuje przykłady ze zbioru testowego. Dla problemu z dwiema klasami dzieli się na cztery części:

• Poprawnie zaklasyfikowane przykłady klasy 1.
• Przykłady klasy 1 błędnie zaklasyfikowane jako klasa 2.
• Przykłady klasy 2 błędnie zaklasyfikowane jako klasa 1.
• Poprawnie zaklasyfikowane przykłady klasy 2.

Jeśli jest więcej klas, macierz będzie odpowiednio większa (np. 3x3 dla trzech klas). [eduexe-source]18:2[/eduexe-source]

[student_1136_lp2]

Jak liczy się dokładność modelu

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność modelu (Accuracy) oblicza się jako stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Oznacza to sumę prawdziwie pozytywnych (TP) i prawdziwie negatywnych (TN) wyników, podzieloną przez sumę wszystkich przypadków w zbiorze testowym (TP + TN + FP + FN). [eduexe-source]22:1[/eduexe-source]

[student_1136_lp2]

Która metryka jest najważniejsza

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie ma jednej "najważniejszej" metryki. Wybór zależy od problemu i celu modelu.

• Dokładność (Accuracy) jest uniwersalna, ale może być myląca przy nierównych klasach.
• Precyzja (Precision) jest kluczowa, gdy ważne jest ograniczenie fałszywie pozytywnych wyników (np. nie chcemy błędnie diagnozować choroby).
• Czułość (Recall) jest najważniejsza, gdy zależy nam na wykryciu jak największej liczby pozytywnych przypadków (np. wykrycie wszystkich chorych).
• F-score to kompromis między precyzją a czułością.
  [eduexe-source]26:4[/eduexe-source]

[student_1136_lp2]

Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Twoje dotychczasowe postępy w kursie wyglądają następująco:

Wykonane:

• Spędziłeś w kursie 84.3 minuty.
• Zdobyłeś łącznie 25 punktów.
• Ukończyłeś moduły: "A1 - Wprowadzenie do uczenia maszynowego", "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]7:1[/eduexe-source][eduexe-source]8:1[/eduexe-source] oraz "C - Podstawowe pojęcia UM" [eduexe-source]15:1[/eduexe-source].
• Pomyślnie zaliczyłeś test początkowy oraz test modułu "Wprowadzenie do UM" [eduexe-source]9:1[/eduexe-source] i test modułu "Podstawowe pojęcia UM" [eduexe-source]19:1[/eduexe-source].

Wymaga pracy:

• Przerobiłeś materiały z modułu "B - Dane w procesie UM" [eduexe-source]11:1[/eduexe-source], ale musisz jeszcze wykonać test modułu "Dane w procesie UM" [eduexe-source]13:1[/eduexe-source].
• Przerobiłeś materiały z modułu "D - Metryki" [eduexe-source]21:1[/eduexe-source], ale musisz jeszcze wykonać test modułu "Metryki" [eduexe-source]28:1[/eduexe-source].
• Pozostał Ci również do wykonania test końcowy [eduexe-source]36:1[/eduexe-source].