conversation_by_0zy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Mniej danych z danej klasy sprawia, że model ma trudności z nauczeniem się wzorców charakterystycznych dla tej klasy. W efekcie może ją zignorować lub nie być w stanie poprawnie jej rozpoznać, co prowadzi do niższej dokładności. Jest to szczególnie widoczne, gdy liczba przykładów jednej klasy jest znacznie mniejsza niż innych. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source]

[student_1137_0zy]

czy mam sprobowac znowu na tych smaych plikach?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Jeśli problemem jest niedobór danych dla danej klasy lub przypadek graniczny, samo ponowne trenowanie modelu na tych samych plikach nie poprawi dokładności. Zgodnie z omawianym materiałem [eduexe-source]12:1[/eduexe-source], [eduexe-source]12:3[/eduexe-source] należy zmodyfikować zbiór danych, np. poprzez dodanie brakujących danych lub utworzenie dodatkowej klasy.

[student_1137_0zy]

jakich danych mam uzyc do tego przykladu pierwszego?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić model i poprawić jego działanie, należy:

1. Dodać klasę "4" i załadować do niej zawartość katalogu "4" z Materiałów.
2. Uzupełnić klasę "3", ładując do niej zawartość katalogu "3" z Materiałów.
   Po tych krokach należy ponownie wytrenować model. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1137_0zy]

jakie powinny byc proporcje zbioru uczacego i tego testowego?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i testowy w proporcji 85% do 15%. Ogólnie, zbiór uczący powinien być znacząco większy od testowego, a zbiór testowy powinien być wystarczająco duży i reprezentatywny dla całości danych. Spotyka się też proporcje 80:20 lub mniejsze zbiory testowe dla bardzo dużych danych. [eduexe-source]15:7[/eduexe-source]

[student_1137_0zy]

wytlumacz mi bardzie jco to macierz pomylek

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (nazywana również tablicą pomyłek) to narzędzie kluczowe do oceny modeli uczenia maszynowego, zwłaszcza w zadaniach klasyfikacji. Pokazuje, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]18:1[/eduexe-source][eduexe-source]20:1[/eduexe-source]

W przypadku problemu dwuklasowego, macierz dzieli się na cztery typy klasyfikacji:

• Prawdziwie pozytywne (TP): model poprawnie zidentyfikował pozytywny przypadek.
• Prawdziwie negatywne (TN): model poprawnie zidentyfikował negatywny przypadek.
• Fałszywie pozytywne (FP): model błędnie zidentyfikował negatywny przypadek jako pozytywny.
• Fałszywie negatywne (FN): model błędnie zidentyfikował pozytywny przypadek jako negatywny.
  [eduexe-source]21:2[/eduexe-source]
  Na podstawie macierzy pomyłek obliczane są różne metryki oceny jakości modelu.

[student_1137_0zy]

co to metryki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w kontekście Uczenia Maszynowego to miary oceny wytrenowanych modeli. Można je traktować jako funkcje, które przyjmują model i zwracają wartość pozwalającą porównać go z innymi modelami. Wyższa wartość metryki zazwyczaj oznacza lepszą ocenę modelu. [eduexe-source]21:1[/eduexe-source]

[student_1137_0zy]

a jakie s apodstawy do obliczania metryk?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podstawą do obliczania metryk w uczeniu maszynowym jest macierz pomyłek. Pokazuje ona, ile przykładów testowych zostało sklasyfikowanych przez model poprawnie, a ile błędnie, dzieląc je na cztery kategorie: prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]