conversation_by_p0s

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, jest to możliwe. Model klasyfikuje dane na podstawie wzorców, których się nauczył z dostarczonych przykładów. Jeśli klasa pośrednia nie będzie miała wystarczająco różnorodnych lub reprezentatywnych przykładów dla wszystkich typów przypadków granicznych, lub jeśli dany nowy przypadek graniczny będzie bardziej przypominał inną, specyficzną klasę (nawet tę stworzoną dla innych przypadków granicznych), model może go tam zaklasyfikować. Modele uczenia maszynowego nie są w 100% pewne, szczególnie przy przypadkach granicznych. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:3[/eduexe-source]

[student_1136_p0s]

czy gdybysmy klasyfikowali wilkokota jednoznacznie bylby kotem ze wzgledu na wiecej cech kota?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, jeśli model został wytrenowany do rozróżniania kotów i wilków (lub psów), to "wilkokot" zostałby zaklasyfikowany do klasy, której cechy najbardziej przypominałby na podstawie danych treningowych. Model nie "rozumie" jego natury, tylko dopasowuje go do najbardziej podobnej kategorii, którą zna. Jest to podobne do sytuacji z przypadkami granicznymi lub danymi spoza klas, gdzie model musi przypisać obiekt do jednej z dostępnych kategorii, nawet jeśli nie pasuje idealnie. [eduexe-source]11:5[/eduexe-source][eduexe-source]11:2[/eduexe-source]

[student_1136_p0s]

co jesli jako zbior uczacy nie posluchamy rady odnosnie wielkosci i roznorodnosci jakies skutecznosci modelu mozemy sie spodziewac

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Jeśli zbiór uczący nie będzie odpowiednio duży i różnorodny, skuteczność modelu może być niska. Model może ignorować przypadki z niedostatecznie reprezentowanych klas lub mieć problemy z rozpoznawaniem obiektów, dla których było zbyt mało przykładów. Może to prowadzić do zjawiska niedouczenia. [eduexe-source]11:3[/eduexe-source] [eduexe-source]11:4[/eduexe-source] [eduexe-source]14:2[/eduexe-source] [eduexe-source]15:7[/eduexe-source] [eduexe-source]17:6[/eduexe-source]

[student_1136_p0s]

czym jest wsad epoki i wspolczynik uczenia sie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wsad (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje jednocześnie do trenowania w pojedynczej iteracji swojego działania. Współczynnik uczenia (ang. learning rate) określa, jak duży krok model ma wykonać w kierunku oczekiwanego rozwiązania podczas treningu po każdej nowej ekspozycji na dane. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:7[/eduexe-source]

[student_1136_p0s]

co masz na mysli piszac w pojedycznej iteracji swojego dzialania

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
"Pojedyncza iteracja swojego działania" odnosi się do jednego kroku w procesie trenowania modelu, podczas którego model przetwarza jeden "wsad" (czyli porcję danych). W trakcie takiej iteracji model uczy się na tej konkretnej porcji przykładów, oblicza, jak bardzo się pomylił (funkcja straty), a następnie aktualizuje swoje wewnętrzne parametry, aby następnym razem popełnić mniejszy błąd. [eduexe-source]16:5[/eduexe-source]

[student_1136_p0s]

macierz pomylek to po prostu oproszczony wykres skutecznosci funkcji?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, macierz pomyłek (ang. confusion matrix) nie jest uproszczonym wykresem skuteczności funkcji. Macierz pomyłek to tabela podsumowująca wyniki klasyfikacji modelu dla zbioru testowego, pokazująca, ile przykładów zostało poprawnie i błędnie przypisanych do poszczególnych klas. Jest ona podstawą do obliczania różnych metryk oceny jakości modelu. Funkcja straty (ang. loss function) natomiast mierzy błąd prognoz modelu i jest minimalizowana podczas treningu, aby poprawić jego działanie. [eduexe-source]18:1[/eduexe-source][eduexe-source]20:1[/eduexe-source][eduexe-source]17:2[/eduexe-source]

[student_1136_p0s]

dlaczego metryki sa wazne i jak korzystaja z macierzy pomylek

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki są ważne, ponieważ służą do oceny wytrenowanych modeli, umożliwiając ich porównywanie. Wyższa wartość metryki zazwyczaj oznacza lepszy model. Metryki korzystają z macierzy pomyłek jako podstawy do obliczeń, ponieważ macierz ta podsumowuje, ile przykładów ze zbioru testowego zostało poprawnie i błędnie zaklasyfikowanych przez model. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source][eduexe-source]18:1[/eduexe-source]

[student_1136_p0s]

kiedy prezycja wygrywa jako metryka z dokladnoscia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja jest ważniejszą metryką niż dokładność, gdy głównym celem modelu jest ograniczenie liczby fałszywie pozytywnych przypadków. Jest to kluczowe w sytuacjach, gdzie błędne zaklasyfikowanie czegoś jako pozytywne (np. zdiagnozowanie choroby u zdrowej osoby, co wiąże się z podaniem leku z efektami ubocznymi) ma wysokie koszty lub negatywne konsekwencje. [eduexe-source]26:4[/eduexe-source][eduexe-source]23:4[/eduexe-source]

[student_1136_p0s]

jakie wady i zalety ma metryka f-score

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryka F-score stanowi kompromis pomiędzy precyzją (precision) i czułością (recall), dzięki czemu ocenia model bardziej obiektywnie niż każda z tych dwóch metryk z osobna. Jest to uniwersalna metryka używana, gdy potrzebny jest balans między precyzją a czułością.

Wadą F-score jest to, że wciąż nie jest metryką doskonałą. Bazując na precyzji i czułości, F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady fałszywie negatywne (ćwiartka oznaczona na fioletowo na poprzedniej ilustracji w kursie). [eduexe-source]25:1[/eduexe-source][eduexe-source]25:3[/eduexe-source][eduexe-source]26:4[/eduexe-source]