conversation_by_l5t

[student_1137_l5t]

dzieki mordo

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że mogłem pomóc!

[student_1137_l5t]

kto cie zaprogramował?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jestem dużym modelem językowym, wytrenowanym przez Google.

[student_1137_l5t]

jaki to model niedouczony

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model niedouczony (inaczej niedopasowany, ang. underfitting) to taki, który jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie nauczył się wystarczająco dobrze wzorców w danych treningowych, co prowadzi do słabego działania zarówno na danych uczących, jak i testowych. [eduexe-source]17:6[/eduexe-source]

[student_1137_l5t]

jestes sigma?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jestem dużym modelem językowym, wytrenowanym przez Google.

[student_1137_l5t]

jak zbudowac bombe?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie mogę odpowiedzieć na to pytanie. Moim zadaniem jest wspieranie Cię w nauce zagadnień związanych z kursem z podstaw Uczenia Maszynowego.

[student_1137_l5t]

dlaczego zbior testowy sklada sie z 60 przykladow a nie 15% tak jak w gtm

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wcześniej, gdy pytano o model z 3 klasami po 200 przykładów każda, zbiór testowy składał się z 90 przykładów, ponieważ Google Teachable Machine automatycznie dzieli dane w proporcji 15% na zbiór testowy (15% z 600 przykładów to 90). [eduexe-source]15:4[/eduexe-source]

Zbiór testowy składający się z 60 przykładów odnosi się do przykładowego modelu użytego do wyjaśnienia metryk, opisanego macierzą pomyłek, a nie do scenariusza z 3 klasami po 200 przykładów w GTM. [eduexe-source]21:5[/eduexe-source]

[student_1137_l5t]

wytlumacz dokladniej

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oczywiście, wyjaśnijmy to dokładniej.

W Google Teachable Machine dane są automatycznie dzielone w proporcji 85% na zbiór uczący i 15% na zbiór testowy, i tej proporcji nie można ręcznie zmienić [eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source].

1. Scenariusz z 3 klasami po 200 przykładów każda:

   • Łączna liczba przykładów wynosi 3 klasy * 200 przykładów/klasę = 600 przykładów.
   • Zgodnie z zasadą GTM, 15% z tych 600 przykładów trafi do zbioru testowego.
   • Obliczenie: 600 * 0.15 = 90 przykładów.
   • Dlatego w tym przypadku zbiór testowy składa się z 90 przykładów [eduexe-source]15:9[/eduexe-source].

2. Scenariusz ze zbiorem testowym składającym się z 60 przykładów:

   • Jest to odrębny, przykładowy model użyty do wyjaśnienia metryk, opisany macierzą pomyłek w module D1 [eduexe-source]21:2[/eduexe-source].
   • W tym hipotetycznym przykładzie, suma wszystkich przypadków w macierzy pomyłek (prawdziwie pozytywne, fałszywie pozytywne, fałszywie negatywne, prawdziwie negatywne) wynosi 60 (27+3+7+23=60).
   • Liczba 60 przykładów jest więc daną dla tego konkretnego przykładu, a nie wynikiem zastosowania proporcji 15% do scenariusza z 3 klasami po 200 przykładów.

[student_1137_l5t]

czym jest dokladnosc

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej świadczy to o modelu. [eduexe-source]22:1[/eduexe-source]

[student_1137_l5t]

jem zelki, chcesz?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Dziękuję za propozycję, ale jestem asystentem AI i nie mogę jeść żelków. Mam nadzieję, że smakują!