conversation_by_uef
-
Dlaczego w takich wymiarach a nie wyższych?
-
Dlaczego w takich wymiarach a nie wyższych?
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.
-
Dlaczego najlepszą rozdzielczością zdjęć w zbiorze uczącym jest 224 x 224?
-
Dlaczego najlepszą rozdzielczością zdjęć w zbiorze uczącym jest 224 x 224?
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.
-
Jak dobrze skonstruować model aby rozróżniał przypadki graniczne?
-
Jak dobrze skonstruować model aby rozróżniał przypadki graniczne?
Aby dobrze skonstruować model, aby rozróżniał przypadki graniczne, możemy wykorzystać dwie metody:
- 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.
- 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.
-
Co może się stać jeśli w jednej klasie będzie 200 obrazów a w drugiej 1000?
-
Co może się stać jeśli w jednej klasie będzie 200 obrazów a w drugiej 1000?
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.
-
Co to macierz pomyłek
-
Co to macierz pomyłek
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).
-
Czym sie różni przeuczenie od niedouczenia
-
Czym sie różni przeuczenie od niedouczenia
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.
-
Jak obliczyć F-score
-
Jak obliczyć F-score
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.
-
Jeśli nie mam modelu z rzadkimi przypadkami (np. choroba na którą choruje 1% ludzi) to z której metryki powinienem skorzystac?
-
Jeśli nie mam modelu z rzadkimi przypadkami (np. choroba na którą choruje 1% ludzi) to z której metryki powinienem skorzystac?
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.