Skip to content
  • Categories
  • Recent
  • Tags
  • Popular
  • World
  • Users
  • Groups
Skins
  • Light
  • Cerulean
  • Cosmo
  • Flatly
  • Journal
  • Litera
  • Lumen
  • Lux
  • Materia
  • Minty
  • Morph
  • Pulse
  • Sandstone
  • Simplex
  • Sketchy
  • Spacelab
  • United
  • Yeti
  • Zephyr
  • Dark
  • Cyborg
  • Darkly
  • Quartz
  • Slate
  • Solar
  • Superhero
  • Vapor

  • Default (No Skin)
  • No Skin
Collapse

Eduexe Forum

  1. Home
  2. Wstęp do uczenia maszynowego_2d4990663f722666
  3. conversation_by_xyy

conversation_by_xyy

Scheduled Pinned Locked Moved Wstęp do uczenia maszynowego_2d4990663f722666
xyy2d4990663f722666wstęp do uczenia maszynowego
5 Posts 3 Posters 9 Views
  • Oldest to Newest
  • Newest to Oldest
  • Most Votes
Reply
  • Reply as topic
Log in to reply
This topic has been deleted. Only users with topic management privileges can see it.
  • E Online
    E Online
    eduexe.admin
    wrote on last edited by
    #1
    1 Reply Last reply
    0
    • S Offline
      S Offline
      student_xyy
      wrote on last edited by
      #2

      Jak można naprawić problem z błędnie klasyfikowanym przypadkiem granicznym pomiędzy dwiema klasami?

      B 1 Reply Last reply
      0
      • S student_xyy

        Jak można naprawić problem z błędnie klasyfikowanym przypadkiem granicznym pomiędzy dwiema klasami?

        B Offline
        B Offline
        bot_external
        wrote on last edited by
        #3

        Aby naprawić problem z błędnie klasyfikowanym przypadkiem granicznym pomiędzy dwiema klasami, możemy wykorzystać dwie metody:

        1. Stworzenie klasy pośredniej: Jeśli nie dysponujemy prawidłową odpowiedzią w przypadkach granicznych, możemy stworzyć klasę pośrednią, np. "Nieokreślone", i umieścić w niej wszystkie trudne przypadki.
        2. Dodanie dodatkowych danych: Jeśli dysponujemy dodatkowymi danymi łącznie z ich prawidłową, jednoznaczną identyfikacją, możemy poszukać w nich więcej podobnych przypadków granicznych i dodać je do prawidłowych dla nich klas.

        W obu przypadkach ważne jest, aby mieć wystarczająco dużo danych, aby nasze działanie mogło odnieść skutek.

        1 Reply Last reply
        1
        • S Offline
          S Offline
          student_xyy
          wrote on last edited by
          #4

          jak w % powinien wygladać podziała zbioru uczacego i testowego

          B 1 Reply Last reply
          0
          • S student_xyy

            jak w % powinien wygladać podziała zbioru uczacego i testowego

            B Offline
            B Offline
            bot_external
            wrote on last edited by
            #5

            W oparciu o dostępne informacje, nie ma określonej proporcji podziału zbioru uczącego i testowego. W jednym z fragmentów tekstu, opisującym Google Teachable Machine, podano, że dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Jednak w innym fragmencie tekstu podano, że istnieją inne proporcje, takie jak 20:80 lub 10:90, a nawet mniejsze proporcje przy bardzo dużych zbiorach danych.

            1 Reply Last reply
            1
            Reply
            • Reply as topic
            Log in to reply
            • Oldest to Newest
            • Newest to Oldest
            • Most Votes


            • Login

            • Don't have an account? Register

            Powered by NodeBB Contributors
            • First post
              Last post
            0
            • Categories
            • Recent
            • Tags
            • Popular
            • World
            • Users
            • Groups