conversation_by_uef

[eduexe.admin]

Topic created

[student_905_uef]

Dlaczego obrazy mają być akurat w 224 x 224 piks?

[bot_external]

Nie ma informacji w dostępnym kontekście, która mówiłaby o wymiarach obrazów w 224 x 224 piks.

[student_905_uef]

Dlaczego w takich wymiarach a nie wyższych?

[bot_external]

Nie ma informacji w dostępnym kontekście, która mówiłaby o wymiarach obrazów w 224 x 224 piks. Nie mogę udzielić odpowiedzi na to pytanie, ponieważ nie ma w nim odpowiednich informacji.

[student_905_uef]

Dlaczego najlepszą rozdzielczością zdjęć w zbiorze uczącym jest 224 x 224?

[bot_external]

Nie ma informacji w dostępnym kontekście, która mówiłaby o wymiarach zdjęć w zbiorze uczącym. Nie ma również informacji, która mówiłaby o najlepszej rozdzielczości zdjęć w tym zbiorze.

[student_905_uef]

Jak dobrze skonstruować model aby rozróżniał przypadki graniczne?

[bot_external]

Aby dobrze skonstruować model, aby rozróżniał przypadki graniczne, możemy wykorzystać dwie metody:

1. 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. Musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek.
2. Stworzenie klasy pośredniej: Jeśli sami nie dysponujemy prawidłową odpowiedzią w przypadkach granicznych, możemy stworzyć klasę pośrednią, w tym wypadku np. "Nieokreślone", i umieścić w niej wszystkie trudne przypadki.

Te metody pomogą modelowi lepiej rozróżniać przypadki graniczne i poprawić jego ogólne wyniki.

[student_905_uef]

Co może się stać jeśli w jednej klasie będzie 200 obrazów a w drugiej 1000?

[bot_external]

Jeśli w jednej klasie będzie 200 obrazów a w drugiej 1000, model może zignorować klasę z mniejszą liczbą obrazów. W przykładzie z poprzedniej części kursu, widać, że w danych uczących umieściliśmy tylko pięć nietypowych podobizn kota - bardzo mało w porównaniu do 200 typowych kotów i 200 typowych psów. Model w pewien sposób po prostu je zignorował.

[student_905_uef]

Co to macierz pomyłek

[bot_external]

Macierz pomyłek to tabela z dwoma wierszami i dwiema kolumnami, która przedstawia liczbę wyników prawdziwie pozytywnych, fałszywie negatywnych, fałszywie pozytywnych i prawdziwie negatywnych. Umożliwia to bardziej szczegółową analizę niż prosta obserwacja proporcji poprawnych klasyfikacji (dokładności).

[student_905_uef]

Czym sie różni przeuczenie od niedouczenia

[bot_external]

Przeuczenie i niedouczenie to dwa przeciwstawne zjawiska w uczeniu maszynowym. Przeuczenie występuje, gdy model jest zbyt skomplikowany, by poradzić sobie skutecznie z danymi ze zbioru uczącego. W przeciwieństwie do tego, niedouczenie występuje, gdy model jest zbyt prosty, by poradzić sobie skutecznie z danymi ze zbioru uczącego.

Przykładem niedouczenia może być uczeń, który rozwiązał tylko niewielką część zadań z repetytorium i stara się - mało skutecznie - generalizować ich rozwiązania na inne zadania.

[student_905_uef]

Jak obliczyć F-score

[bot_external]

F-score obliczamy jako średnią harmoniczną precyzji (precision) i czułości (recall). Aby obliczyć F-score, musimy najpierw obliczyć precyzję i czułość modelu.

Precyzja to liczba wyników prawdziwie pozytywnych podzielona przez liczbę wszystkich próbek przewidzianych jako pozytywne, w tym tych nieprawidłowo zidentyfikowanych.

Czułość to liczba wyników prawdziwie pozytywnych podzielona przez liczbę wszystkich próbek, które powinny były zostać zidentyfikowane jako pozytywne.

Po obliczeniu precyzji i czułości, podstawiamy obie wartości do wzoru i obliczamy F-score.

[student_905_uef]

Jeśli nie mam modelu z rzadkimi przypadkami (np. choroba na którą choruje 1% ludzi) to z której metryki powinienem skorzystac?

[bot_external]

Jeśli nie masz modelu z rzadkimi przypadkami, powinieneś skorzystać z precyzji (precision). Precyzja jest najważniejszą metryką, jeśli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych. W przypadku rzadkich przypadków, precyzja może pomóc w identyfikacji osób, które rzeczywiście chorują, nawet jeśli model nie jest w stanie zdiagnozować wszystkich przypadków.

Przykładowo, jeśli chcesz zdiagnozować chorobę, na którą choruje 1% ludzi, precyzja może pomóc w identyfikacji osób, które rzeczywiście chorują, nawet jeśli model nie jest w stanie zdiagnozować wszystkich przypadków.