conversation_by_dka

[student_dka]

dlaczego nie radzisz mi ze są dwa foldery do pobrania jeden dla modeli drugi dla zdjec?

[bot_external]

Odpowiedź na pytanie kursanta:

W materiałach znajdziesz dwa foldery: "Modele" i "4" (lub "3", nie jestem pewien, który z nich jest odpowiedni). Folder "Modele" zawiera pliki modeli, natomiast folder "4" (lub "3") zawiera dane wejściowe, które powinny być używane do trenowania modelu.

Jeśli chcesz trenować model, powinnaś użyć pliku modelu z folderu "Modele" i danych wejściowych z folderu "4" (lub "3").

[student_dka]

mój folder nazywa się "kanarek" a nie "Kanarek" czy to jest problem?

[bot_external]

Odpowiedź na pytanie kursanta:

Nie, to nie jest problem. W kursie nie ma żadnych wskazówek, że nazwa folderu powinna być zgodna z nazwą klasy. Właśnie przeczytałem, że w jednym z przykładów nazwa folderu to "lykoi", a w innym "4". Nie ma żadnych wskazówek, że nazwa folderu powinna być zgodna z nazwą klasy. Możesz użyć nazwy folderu "kanarek" i powinno to działać poprawnie.

[student_dka]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas... dlaczego tu powinno być 90?

[bot_external]

Odpowiedź na pytanie kursanta:

W Google Teachable Machine, dokładność modelu jest obliczana na podstawie macierzy pomyłek. Gdy trenujemy model dla trzech klas, dokładność jest obliczana dla każdej klasy osobno. W tym przypadku, jeśli model trenuje dla trzech klas, to otrzymasz trzy wartości dokładności: jedną dla każdej klasy.

W przykładzie, który został przedstawiony w kursie, model trenował dla dwóch klas: psów i kotów. Dokładność modelu była obliczana dla każdej klasy osobno, a następnie była obliczana dokładność całego modelu, która była średnią z dokładności dla obu klas.

Jeśli model trenuje dla trzech klas, to otrzymasz trzy wartości dokładności: jedną dla każdej klasy. Nie ma powodu, aby powinna być 90% dokładności w tym przypadku. Dokładność modelu zależy od wielu czynników, takich jak jakość danych, wielkość zbioru danych, a także konfiguracja modelu.

[student_dka]

co jest częstsze przeuczenie czy niedouczenie modeli?

[bot_external]

Odpowiedź na pytanie kursanta:

W kursie nie ma informacji o tym, które zjawisko jest częstsze: przeuczenie czy niedouczenie modeli. Jednak w jednym z przykładów, opisano przeuczenie jako zjawisko, w którym model za bardzo dostosowuje się do danych treningowych, w efekcie czego nie jest w stanie poprawnie radzić sobie z danymi testowymi. Przykład ten sugeruje, że przeuczenie może być problemem w uczeniu maszynowym.

Warto zauważyć, że przeuczenie jest zjawiskiem, które może wystąpić w przypadku, gdy model jest zbyt skomplikowany lub gdy dane treningowe są zbyt małe. W takim przypadku model może za bardzo dostosować się do danych treningowych, w efekcie czego nie jest w stanie generalizować na nowe dane.

Niedouczenie modeli, z drugiej strony, jest zjawiskiem, które występuje w przypadku, gdy model jest zbyt prosty, by poradzić sobie z danymi treningowymi. W takim przypadku model może nie być w stanie poprawnie klasyfikować nowych danych.

W związku z tym, nie jest możliwe jednoznaczne powiedzenie, które zjawisko jest częstsze: przeuczenie czy niedouczenie modeli. Warto jednak pamiętać, że oba zjawiska mogą wystąpić w przypadku, gdy model jest niewystarczająco skomplikowany lub gdy dane treningowe są zbyt małe.

[student_dka]

podaj przykład problemu gdzie powiniem uzyc metryki recall

[bot_external]

Odpowiedź na pytanie kursanta:

Przykładem problemu, w którym powinieneś użyć metryki recall, jest sytuacja, w której zależy nam na wykryciu jak największej liczby przykładów z jednej klasy, nawet jeśli to oznacza błędne zaklasyfikowanie kilku przykładów z innych klas. Przykładem takiego problemu może być wykrywanie chorób we wczesnym stadium, gdzie ważne jest, aby wykryć jak największą liczbę chorych, nawet jeśli to oznacza błędne zaklasyfikowanie kilku zdrowych osób.

W takim przypadku metryka recall jest najważniejsza, ponieważ mierzy, jak dużą część rzeczywiście chorych osób model jest w stanie wykryć. Jeśli model ma wysoką wartość recall, to oznacza, że jest w stanie wykryć większość chorych osób, nawet jeśli to oznacza błędne zaklasyfikowanie kilku zdrowych osób.

[student_dka]

podaj przykład gdzie F1 jest najlepsze

[bot_external]

Odpowiedź na pytanie kursanta:

Przykładem, w którym F1 jest najlepsze, jest sytuacja, w której zależy nam na znalezieniu kompromisu pomiędzy precyzją i czułością. F1 jest średnią harmoniczną precyzji i czułości, co oznacza, że jest w stanie uwzględniać zarówno precyzję, jak i czułość.

Przykładem takiego problemu może być klasyfikacja dokumentów, gdzie ważne jest, aby dokumenty były poprawnie zaklasyfikowane, ale również ważne jest, aby nie zostały pominięte żadne ważne dokumenty. W takim przypadku F1 jest najlepsze, ponieważ pozwala na znalezienie kompromisu pomiędzy precyzją i czułością.

Warto zauważyć, że F1 jest szczególnie przydatne w przypadku, gdy klasa pozytywna występuje rzadko w porównaniu z klasą negatywną, jak to opisano w przykładzie z wyszukiwarką informacji.