conversation_by_v9a

[student_1137_v9a]

zrob podsumowanie modulu c

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Moduł C kursu "Podstawowe pojęcia Uczenia Maszynowego" omawia kluczowe terminy związane z trenowaniem modeli. Zawiera następujące zagadnienia:

• Zbiór uczący i zbiór testowy: Dane są dzielone na zbiór uczący (na którym model się uczy) i testowy (na którym sprawdzana jest skuteczność modelu). [eduexe-source]15:3[/eduexe-source]
• Epoka, wsad i współczynnik uczenia się: Epoka to jednokrotne przejście przez cały zbiór uczący. Wsad to liczba przykładów przetwarzanych jednocześnie. Współczynnik uczenia określa wielkość korekty modelu w kierunku oczekiwanego wyniku. [eduexe-source]16:3[/eduexe-source][eduexe-source]16:5[/eduexe-source][eduexe-source]16:7[/eduexe-source]
• Funkcja straty, przeuczenie, niedouczenie: Funkcja straty mierzy różnicę między przewidywanym a rzeczywistym wynikiem (celem jest jej minimalizacja). Przeuczenie to nadmierne dopasowanie do danych uczących, a niedouczenie to zbyt słabe nauczenie się wzorców. [eduexe-source]17:2[/eduexe-source][eduexe-source]17:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]
• Macierz pomyłek: Narzędzie służące do oceny, ile przykładów zostało poprawnie, a ile błędnie sklasyfikowanych. [eduexe-source]18:1[/eduexe-source]

[student_1137_v9a]

o co chodzi w module b

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Moduł B kursu "Wstęp do uczenia maszynowego", zatytułowany "Dane w Uczeniu Maszynowym", skupia się na roli danych i ich jakości w procesie uczenia maszynowego. Omówione są popularne problemy z danymi, takie jak: przypadki graniczne między klasami, nierówna liczebność klas oraz dane spoza zdefiniowanych klas. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source] Moduł przedstawia również sposoby radzenia sobie z tymi problemami, np. poprzez dodawanie nowych klas, uzupełnianie danych lub tworzenie klas pośrednich. [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source] Całość jest utrwalana na przykładach i ćwiczeniach. [eduexe-source]14:1[/eduexe-source]

[student_1137_v9a]

Odczytywanie macierzy pomyłek - sprawdź się! Działamy na przykładowym modelu opisanym macierzą pomyłek z początku tej strony kursu. Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych, bazując na przykładowej macierzy pomyłek z początku tej strony kursu, to 3. [eduexe-source]21:3[/eduexe-source]

[student_1137_v9a]

Podstawą do obliczania metryk jest

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podstawą do obliczania metryk jest macierz pomyłek (nazywana również tablicą pomyłek), która pokazuje, ile przykładów ze zbioru testowego zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]21:2[/eduexe-source]

[student_1137_v9a]

jak policzyc dokladnosc

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) oblicza się jako 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_v9a]

podaj wzor

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) oblicza się według wzoru:

Dokładność = (TP + TN) / (TP + TN + FP + FN)

Gdzie:

• TP (True Positive) to przypadki prawdziwie pozytywne (poprawnie zaklasyfikowane jako pozytywne).
• TN (True Negative) to przypadki prawdziwie negatywne (poprawnie zaklasyfikowane jako negatywne).
• FP (False Positive) to przypadki fałszywie pozytywne (błędnie zaklasyfikowane jako pozytywne).
• FN (False Negative) to przypadki fałszywie negatywne (błędnie zaklasyfikowane jako negatywne).

[eduexe-source]22:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[student_1137_v9a]

Warunki stosowania dokładności jako metryki - sprawdź się! Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda Fałsz

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Prawda. Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. W przeciwnym razie, zwłaszcza przy dużej rozbieżności w liczebności klas, dokładność może być myląca i dawać wysokie wartości, nawet jeśli model jest praktycznie bezużyteczny. [eduexe-source]22:7[/eduexe-source][eduexe-source]22:6[/eduexe-source]

[student_1137_v9a]

co to precyzja

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (ang. precision) to metryka, która opisuje jakość modelu Uczenia Maszynowego. Definiuje się ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne. Mówiąc prościej, precyzja porównuje liczbę poprawnych wskazań pozytywnych modelu do wszystkich pozytywnych wskazań modelu. [eduexe-source]23:1[/eduexe-source]

[student_1137_v9a]

Precyzja (precision) jest zawsze lepszą metryką niż dokładność (accuracy). Prawda Fałsz

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Fałsz. [eduexe-source]23:6[/eduexe-source]

[student_1137_v9a]

co to jest czulosc

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Czułość (ang. recall) to metryka, którą oblicza się na podstawie macierzy pomyłek. Definiuje się ją jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. Mówi nam, jaki procent wszystkich pozytywnych przypadków wykrywa model. [eduexe-source]24:1[/eduexe-source]