conversation_by_ovh

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Klasteryzacja to jeden z podstawowych problemów uczenia nienadzorowanego. Polega na grupowaniu danych w taki sposób, aby obiekty w tej samej grupie (klastrze) były do siebie podobne, a różniły się od obiektów z innych grup. Przykładowo, jeśli model otrzyma wymieszane zdjęcia różnych gatunków zwierząt bez podanych nazw gatunków, to w procesie klasteryzacji powinien podzielić je na grupy, gdzie każda grupa zawiera zdjęcia podobnych zwierząt (np. "grupa zdjęć A jest wyraźnie różna od grupy zdjęć B"). [eduexe-source]7:6[/eduexe-source]

[student_1136_ovh]

a co to jest redukcja wymiarowości?

[bot_eduexe]

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

[student_1136_ovh]

Jak naprawić problem przypadków granicznych między klasami?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem przypadków granicznych między klasami można naprawić na dwa sposoby:

1. Znaleźć więcej podobnych przypadków granicznych i dodać je do odpowiedniej klasy.
2. Utworzyć dodatkową klasę pośrednią (np. "Niejednoznaczne") i umieścić w niej trudne przypadki graniczne. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1136_ovh]

Jak naprawić problem danych spoza klas?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem danych spoza klas można naprawić poprzez dodanie nowej klasy dla tych danych i załadowanie do niej odpowiednich przykładów. Następnie należy ponownie wytrenować model. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]

[student_1136_ovh]

czym jest epoka?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Pojedyncza epoka (ang. epoch) to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego). [eduexe-source]16:3[/eduexe-source]

[student_1136_ovh]

a czym jest tempo uczenia się?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Współczynnik uczenia (ang. learning rate) określa, jak duże kroki model wykonuje w kierunku poprawnego rozwiązania podczas treningu, po każdej nowej ekspozycji na dane. Zbyt niska wartość może znacznie wydłużyć proces uczenia, a zbyt wysoka może sprawić, że model będzie "przeskakiwał" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1136_ovh]

czym jest średnia harmoniczna?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
F-score obliczamy jako średnią harmoniczną precyzji (precision) i czułości (recall). [eduexe-source]25:2[/eduexe-source]

[student_1136_ovh]

Dlaczego F-score opiera się na precyzji i czułości?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
F-score opiera się na precyzji (precision) i czułości (recall), ponieważ stanowi próbę stworzenia bardziej uniwersalnej metryki. Ocenia ona model bardziej obiektywnie niż każda z tych dwóch metryk z osobna, będąc kompromisem między nimi. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:3[/eduexe-source]

[student_1136_ovh]

A dlaczego opiera się na precyzji i czułości a nie na dokładności?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
F-score nie opiera się na dokładności (accuracy), ponieważ dokładność może być myląca, zwłaszcza gdy klasy w danych są znacząco niezbalansowane. W takich przypadkach model może uzyskać wysoką dokładność, błędnie klasyfikując rzadką klasę, jeśli poprawnie przewiduje większość przypadków klasy dominującej. F-score, będąc średnią harmoniczną precyzji i czułości, stanowi próbę stworzenia bardziej uniwersalnej metryki, która ocenia model bardziej obiektywnie, będąc kompromisem między tymi dwoma metrykami. [eduexe-source]22:6[/eduexe-source][eduexe-source]25:3[/eduexe-source]